CDA168708

2022-04-29   阅读量: 67

抓取网页的含义和URL基本构成

一、网络爬虫的定义


网络爬虫,即Web Spider,是一个很形象的名字。


把互联网比喻成一个蜘蛛网,那么Spider就是在网上爬来爬去的蜘蛛。

网络蜘蛛是通过网页的链接地址来寻找网页的。


从网站某一个页面(通常是首页)开始,读取网页的内容,找到在网页中的其它链接地址,


然后通过这些链接地址寻找下一个网页,这样一直循环下去,直到把这个网站所有的网页都抓取完为止。


如果把整个互联网当成一个网站,那么网络蜘蛛就可以用这个原理把互联网上所有的网页都抓取下来。


这样看来,网络爬虫就是一个爬行程序,一个抓取网页的程序。


网络爬虫的基本操作是抓取网页。


那么如何才能随心所欲地获得自己想要的页面?


我们先从URL开始。




二、浏览网页的过程


抓取网页的过程其实和读者平时使用IE浏览器浏览网页的道理是一样的。


比如说你在浏览器的地址栏中输入 www.baidu.com 这个地址。


打开网页的过程其实就是浏览器作为一个浏览的“客户端”,向服务器端发送了 一次请求,把服务器端的文件“抓”到本地,再进行解释、展现。


HTML是一种标记语言,用标签标记内容并加以解析和区分。


浏览器的功能是将获取到的HTML代码进行解析,然后将原始的代码转变成我们直接看到的网站页面。



三、URI和URL的概念和举例


简单的来讲,URL就是在浏览器端输入的 http://www.baidu.com 这个字符串。


在理解URL之前,首先要理解URI的概念。


什么是URI?


Web上每种可用的资源,如 HTML文档、图像、视频片段、程序等都由一个通用资源标志符(Universal Resource Identifier, URI)进行定位。


URI通常由三部分组成:


①访问资源的命名机制;


②存放资源的主机名;


③资源自身 的名称,由路径表示。


如下面的URI:

http://www.why.com.cn/myhtml/html1223/


我们可以这样解释它:


①这是一个可以通过HTTP协议访问的资源,


②位于主机 www.webmonkey.com.cn上,


③通过路径“/html/html40”访问。




四、URL的理解和举例


URL是URI的一个子集。它是Uniform Resource Locator的缩写,译为“统一资源定位 符”。


通俗地说,URL是Internet上描述信息资源的字符串,主要用在各种WWW客户程序和服务器程序上。


采用URL可以用一种统一的格式来描述各种信息资源,包括文件、服务器的地址和目录等。



URL的一般格式为(带方括号[]的为可选项):


protocol :// hostname[:port] / path / [;parameters][?query]#fragment




URL的格式由三部分组成:


①第一部分是协议(或称为服务方式)。


②第二部分是存有该资源的主机IP地址(有时也包括端口号)。


③第三部分是主机资源的具体地址,如目录和文件名等。


第一部分和第二部分用“://”符号隔开,


第二部分和第三部分用“/”符号隔开。


第一部分和第二部分是不可缺少的,第三部分有时可以省略。




五、URL和URI简单比较


URI属于URL更低层次的抽象,一种字符串文本标准。


换句话说,URI属于父类,而URL属于URI的子类。URL是URI的一个子集。


URI的定义是:统一资源标识符;


URL的定义是:统一资源定位符。


二者的区别在于,URI表示请求服务器的路径,定义这么一个资源。


而URL同时说明要如何访问这个资源(http://)。







下面来看看两个URL的小例子。




1.HTTP协议的URL示例:

使用超级文本传输协议HTTP,提供超级文本信息服务的资源。


例:http://www.peopledaily.com.cn/channel/welcome.htm


其计算机域名为www.peopledaily.com.cn。


超级文本文件(文件类型为.html)是在目录 /channel下的welcome.htm。


这是中国人民日报的一台计算机。


例:http://www.rol.cn.net/talk/talk1.htm


其计算机域名为www.rol.cn.net。


超级文本文件(文件类型为.html)是在目录/talk下的talk1.htm。


这是瑞得聊天室的地址,可由此进入瑞得聊天室的第1室。



2.文件的URL

用URL表示文件时,服务器方式用file表示,后面要有主机IP地址、文件的存取路 径(即目录)和文件名等信息。


有时可以省略目录和文件名,但“/”符号不能省略。


例:file://ftp.yoyodyne.com/pub/uploadfile/pgc/foobar.txt


上面这个URL代表存放在主机ftp.yoyodyne.com上的pub/uploadfile/pgc/目录下的一个文件,文件名是foobar.txt。


例:file://ftp.yoyodyne.com/pub


代表主机ftp.yoyodyne.com上的目录/pub。


例:file://ftp.yoyodyne.com/


代表主机ftp.yoyodyne.com的根目录。




爬虫最主要的处理对象就是URL,它根据URL地址取得所需要的文件内容,然后对它 进行进一步的处理。


因此,准确地理解URL对理解网络爬虫至关重要。



148.7747 4 0 关注作者 收藏

评论(0)


暂无数据

推荐课程