网络爬虫(一)-------抓取网页之理解URL

                  网络爬虫的基本操作时抓取网页。抓取网页,首先要理解URL!

        抓取网页的过程其实很简单,举个例子:

         1。我们打开一个网站如下:

 

        2.在打开网页的过程其实就是将浏览器作为一个浏览的客户端,向服务器发送一次请求,把服务器段的文件抓取到本地,在进行解释,展现。其中,网页源码就是从服务器中抓取的东西。

        3.我们在浏览器地址栏输入的东西就叫做URL。

                                   剖析URL

        URL---Uniform Resource Locator。统一资源定位符

        URI---Universal Resource Identifier。通用资源标志符  

            先理解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

        比如:http://www.baidu.com/xxx/xxx/

        理解:通过HTTP协议访问资源,位于主机www.baidu.com,通过路径/xxx/xxx访问。

            其次URL是URI的一个子集,也就是internet上描述信息资源的字符串,主要在各种WWW客户程序和服务程序上。

            URL格式由三部分组成:第一个部分:协议(服务方式) 第二个部分存放该资源的主机Ip地址 第三个部分主机资源的具体地址。。

            第一个与第二部分用://隔开,第二个与第三个部分用/隔开。1,2不可缺少。

                                     两种URL协议

           1.HTTP协议的URL 。

                http://china.cankaoxiaoxi.com/2014/0808/454139.shtml

              主机域名为: china.cankaoxiaoxi.com,文件454139.shtml在/2014/0808目录下

           2.文件的URL

                file://www.asc.com/pub/cc.txt

               主机域名:www.asc.com   文件cc.text 在目录:/pub下             

                                      总结 

           爬虫最主要的处理对象是URL,爬虫根据URL地址取得所需要的文件内容,然后对他进行下一步的处理,因此准确理解URL对网络爬虫至关重要。

 

          

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值