网络爬虫（一）：抓取网页的含义和URL基本构成

由于要获得我校图书馆书籍目录，开始了爬虫的学习。

以下是学习笔记

共有10章，每章大体思路是：为什么--->是什么--->如何做。

参考http://blog.csdn.net/column/details/why-bug.html

关于why？

简而言之获得更多的资源。

关于what？

欢迎来到爬虫的世界。

一、网络爬虫的定义

网络爬虫，即WebSpider，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。

在了解抓取网页之前我们先了解我们平时是如何浏览网页的。

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火狐浏览器浏览网页的道理一样的。

打开网页的过程其实就是浏览器作为“客户端”，通过地址栏，向服务器端发送了一次请求，把服务器端的HTML文件”抓“到本地，再进行解释、展现。

其中HTML是一种标记语言，用标签标记内容并加以解析和区分；而浏览器的功能是将获取的HTML代码进行解析，然后将原始HTML代码转换成我们直接看到的网站页面。

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。

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。

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识符（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：http://www.fyf.com.cn/myhtml/html123/

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.fyf.com.cn上。

③通过路径“/html/html123/”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的格式也是三部分组成：

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。

五、URI和URL比较

URI属于URL更低层次的抽象，一种字符串文本标准。

也就是说，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://）。

两个URL的例子：

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.people.com.cn/GB/138812/index.html

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/GB/138812下的index.html。

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。