[Python]网络爬虫（一）：抓取网页的含义和URL基本构成

超、凢脫俗 2022-06-05 23:44 255阅读 0赞

**重点：URL, URI.可以通过url明确的知道是http协议还是file协议等，资源在什么服务器上，资源所在文件目录。**

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/files/foobar.txt

上面这个URL代表存放在主机ftp.yoyodyne.com上的pub/files/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。

发表评论取消回复

表情：

评论列表（有 0 条评论，255人围观）

还没有评论，来说两句吧...

相关阅读

相关网络爬虫实践：抓取网页信息并存储Python案例

在网络爬虫实践中，我们通常需要编写Python代码来实现对网页信息的抓取和存储。以下是一个简单的例子，我们将抓取一个新闻网站（如GitHub News）上的文章标题： ```

短命女/ 2025年01月07日 15:42/ 0 赞/ 18 阅读

相关 Python爬虫：常见网页抓取问题案例

在Python爬虫中，常见的网页抓取问题包括但不限于以下几个案例： 1. **反爬机制**： - 如一些网站使用JavaScript动态加载内容，这时直接爬取会失败。

柔情只为你懂/ 2025年01月01日 19:54/ 0 赞/ 31 阅读

相关网络爬虫实践：如何解决网页抓取问题

网络爬虫在进行网页抓取时，可能会遇到各种问题。以下是一些常见的解决方案： 1. **请求头和代理设置**： - 如果目标网站有反爬机制，可能需要使用代理IP或模拟浏览器

男娘i/ 2024年12月27日 16:33/ 0 赞/ 28 阅读

相关 Python爬虫实践：常见的网页解析和数据抓取问题

Python爬虫是自动化网站信息获取的重要工具，常用于解决以下几种常见的网页解析和数据抓取问题： 1. **基本HTML结构解析**：初级爬虫往往需要从简单的HTML

亦凉/ 2024年12月15日 15:39/ 0 赞/ 45 阅读

相关 java爬虫抓取简单网页数据_简单的java爬虫抓取网页实现代码

import java.io.IOException; import java.util.LinkedList; import java.util.List; impor

忘是亡心i/ 2022年11月09日 12:49/ 0 赞/ 359 阅读

相关 python网络爬虫——HTTP和爬虫的基本原理（一）

一、HTTP的请求过程客户端向服务器发送请求，服务器在获取请求后，给服务器反馈数据响应。 ![在这里插入图片描述][watermark_type_ZHJvaWRzYW

逃离我推掉我的手/ 2022年09月09日 06:52/ 0 赞/ 237 阅读

相关网络爬虫之网页抓取

说到网页抓取，往往有两个点是不得不说的，首先是网页编码的识别，另外一个是对网页脚本运行的支持，除此之外，是否支持以POST方式提交请求和支持自动的cookie管理也是很多人所关

逃离我推掉我的手/ 2022年06月09日 11:49/ 0 赞/ 323 阅读

相关 [Python]网络爬虫（二）：利用urllib通过指定的URL抓取网页内容

1.基本方法 `urllib.request.``urlopen`(url, data=None, \[timeout, \]\, cafile=None, capath=

矫情吗；*/ 2022年06月06日 00:06/ 0 赞/ 261 阅读

相关 [Python]网络爬虫（一）：抓取网页的含义和URL基本构成

重点：URL, URI.可以通过url明确的知道是http协议还是file协议等，资源在什么服务器上，资源所在文件目录。一、网络爬虫的定义网络爬虫，

超、凢脫俗/ 2022年06月05日 23:44/ 0 赞/ 256 阅读

相关 java爬虫（java访问url通过代理和jsoup抓取网页数据）

直接上代码： public String getpricebyinternet(String href,Rfq_Detail record,HttpServletRe

秒速五厘米/ 2022年05月10日 08:42/ 0 赞/ 688 阅读