怎样用python爬虫付费文档_整理的用Python编写的爬虫文档.pdf

整理的用Python编写的爬虫文档

Python 爬虫入门教程

[Python]网络爬虫(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。

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 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。

1

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。

如下面的 URI ：

/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 上，

③通过路径“/html/html40”访问。

2

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。

3

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：/channel/welcome.htm

其计算机域名为 。

超级文本文件(文件类型为.html)是在目录 /