Python爬虫基本知识,什么是爬虫?Python教程

开课吧开课吧小代2021-02-02 19:39

现在越来越多的人都开始学习Python,可以说是形成了一股新的浪潮。有些人可能是因为兴趣爱好而选择Python,当然更多的人还是因为工作需要。可以说,Python工程师现在是一个很热门的领域。下面小编就给想要学习Python的同学分享一下什么是Python爬虫。

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。

Python教程

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一个地址。

  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。

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。

Python教程

  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。

  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。

Python的发展前景还是很可观的,有对Python感兴趣的同学就赶快学习起来吧。以上就是小编今天为大家整理发布的“Python爬虫基本知识,什么是爬虫?Python教程”一文,希望为正在学习Python的朋友提供学习参考,更多Python教程尽在开课吧广场Python教程频道!

有用
分享
全部评论快来秀出你的观点
登录 后可发表观点…
发表
暂无评论,快来抢沙发!
零基础轻松入门Python