抓取網(wǎng)頁的含義和 URL 基本構(gòu)成

網(wǎng)絡(luò)爬蟲的定義

網(wǎng)絡(luò)爬蟲，即 Web Spider，是一個(gè)很形象的名字。

把互聯(lián)網(wǎng)比喻成一個(gè)蜘蛛網(wǎng)，那么 Spider 就是在網(wǎng)上爬來爬去的蜘蛛。

網(wǎng)絡(luò)蜘蛛是通過網(wǎng)頁的鏈接地址來尋找網(wǎng)頁的。

從網(wǎng)站某一個(gè)頁面（通常是首頁）開始，讀取網(wǎng)頁的內(nèi)容，找到在網(wǎng)頁中的其它鏈接地址，

然后通過這些鏈接地址尋找下一個(gè)網(wǎng)頁，這樣一直循環(huán)下去，直到把這個(gè)網(wǎng)站所有的網(wǎng)頁都抓取完為止。

如果把整個(gè)互聯(lián)網(wǎng)當(dāng)成一個(gè)網(wǎng)站，那么網(wǎng)絡(luò)蜘蛛就可以用這個(gè)原理把互聯(lián)網(wǎng)上所有的網(wǎng)頁都抓取下來。

這樣看來，網(wǎng)絡(luò)爬蟲就是一個(gè)爬行程序，一個(gè)抓取網(wǎng)頁的程序。 網(wǎng)絡(luò)爬蟲的基本操作是抓取網(wǎng)頁。

那么如何才能隨心所欲地獲得自己想要的頁面？

我們先從 UR L開始。

瀏覽網(wǎng)頁的過程

抓取網(wǎng)頁的過程其實(shí)和讀者平時(shí)使用IE瀏覽器瀏覽網(wǎng)頁的道理是一樣的。 比如說你在瀏覽器的地址欄中輸入 www.baidu.com 這個(gè)地址。

打開網(wǎng)頁的過程其實(shí)就是瀏覽器作為一個(gè)瀏覽的“客戶端”，向服務(wù)器端發(fā)送了 一次請求，把服務(wù)器端的文件“抓”到本地，再進(jìn)行解釋、展現(xiàn)。

HTML 是一種標(biāo)記語言，用標(biāo)簽標(biāo)記內(nèi)容并加以解析和區(qū)分。

瀏覽器的功能是將獲取到的 HTML 代碼進(jìn)行解析，然后將原始的代碼轉(zhuǎn)變成我們直接看到的網(wǎng)站頁面。

URI 和 URL 的概念和舉例

簡單的來講，URL 就是在瀏覽器端輸入的 wiki.jikexueyuan.com 這個(gè)字符串。

在理解 URL 之前，首先要理解 URI 的概念。

什么是 URI？

Web 上每種可用的資源，如 HTML 文檔、圖像、視頻片段、程序等都由一個(gè)通用資源標(biāo)志符(Universal Resource Identifier，URI)進(jìn)行定位。

URI 通常由三部分組成：

①訪問資源的命名機(jī)制；

②存放資源的主機(jī)名；

③資源自身的名稱，由路徑表示。

如下面的 URI：

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

我們可以這樣解釋它：

①這是一個(gè)可以通過 HTTP 協(xié)議訪問的資源，

②位于主機(jī) www.webmonkey.com.cn 上，

③通過路徑“/html/html40”訪問。

URL 的理解和舉例

URL 是 URI 的一個(gè)子集。它是 Uniform Resource Locator 的縮寫，譯為“統(tǒng)一資源定位 符”。

通俗地說，URL 是 Internet 上描述信息資源的字符串，主要用在各種 WWW 客戶程序和服務(wù)器程序上。

采用 URL 可以用一種統(tǒng)一的格式來描述各種信息資源，包括文件、服務(wù)器的地址和目錄等。

URL 的一般格式為(帶方括號(hào)[]的為可選項(xiàng))：

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

URL 的格式由三部分組成：

①第一部分是協(xié)議(或稱為服務(wù)方式)。

②第二部分是存有該資源的主機(jī) IP 地址(有時(shí)也包括端口號(hào))。

③第三部分是主機(jī)資源的具體地址，如目錄和文件名等。

第一部分和第二部分用“://”符號(hào)隔開。

第二部分和第三部分用“/”符號(hào)隔開。

第一部分和第二部分是不可缺少的，第三部分有時(shí)可以省略。

URL 和 URI 簡單比較

URI 屬于 URL 更低層次的抽象，一種字符串文本標(biāo)準(zhǔn)。

換句話說，URI 屬于父類，而 URL 屬于 URI 的子類。URL 是 URI 的一個(gè)子集。

URI 的定義是：統(tǒng)一資源標(biāo)識(shí)符；

URL 的定義是：統(tǒng)一資源定位符。

二者的區(qū)別在于，URI 表示請求服務(wù)器的路徑，定義這么一個(gè)資源。

而 URL 同時(shí)說明要如何訪問這個(gè)資源（http://）。

下面來看看兩個(gè) URL 的小例子。

1. HTTP 協(xié)議的 URL 示例：

使用超級(jí)文本傳輸協(xié)議 HTTP，提供超級(jí)文本信息服務(wù)的資源。

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

其計(jì)算機(jī)域名為 www.peopledaily.com.cn。

超級(jí)文本文件(文件類型為.html)是在目錄 /channel 下的 welcome.htm。
這是中國人民日報(bào)的一臺(tái)計(jì)算機(jī)。

例：http://www.rol.cn.net/talk/talk1.htm
其計(jì)算機(jī)域名為 www.rol.cn.net。

超級(jí)文本文件(文件類型為.html)是在目錄 /talk 下的 talk1.htm。 這是瑞得聊天室的地址，可由此進(jìn)入瑞得聊天室的第 1 室。

1. 文件的 URL

用 URL 表示文件時(shí)，服務(wù)器方式用 file 表示，后面要有主機(jī) IP 地址、文件的存取路 徑(即目錄)和文件名等信息。

有時(shí)可以省略目錄和文件名，但“/”符號(hào)不能省略。

例：file://ftp.yoyodyne.com/pub/files/foobar.txt

上面這個(gè) URL 代表存放在主機(jī) ftp.yoyodyne.com 上的 pub/files/目錄下的一個(gè)文件，文件名是foobar.txt。

例：file://ftp.yoyodyne.com/pub

代表主機(jī) ftp.yoyodyne.com 上的目錄/pub。

例：file://ftp.yoyodyne.com/

代表主機(jī) ftp.yoyodyne.com 的根目錄。

爬蟲最主要的處理對象就是 URL，它根據(jù) URL 地址取得所需要的文件內(nèi)容，然后對它進(jìn)行進(jìn)一步的處理。

因此，準(zhǔn)確地理解 URL 對理解網(wǎng)絡(luò)爬蟲至關(guān)重要。