爬虫、知识图谱和开源情报分析02
出差回来,继续开始写这部分的内容。
上一篇主要介绍的爬虫的原理和基本的依赖库,这一篇主要讲讲爬虫的基本知识。
1 HTTP基本原理
这部分主要是计算机网络的知识,主要是为了让我们弄清楚从我们输入URL到爬虫返回网页内容之间发生了什么。
1.1 URI和URL
URI 的全称是Uniform Resource Identifier 统一资源标志符
URL的全称是Uniform Resource Locator 统一资源定位符
URL是URI的子集
URL就是我们要访问网页的地址,比如说我们要访问微博移动端,它的URL就是https://m.weibo.cn/
1.2 超文本
HTML和CSS属于前端的知识,这里只是略略讲一点
超文本的英文是Hypertext,我们在网页中看到的一切都是超文本解析出来的。大家有搞过前端的朋友就知道,我们在html和CSS js这些框架中把我们要编辑的网页的内容,包括文本、图像、视频超链接等等编辑好然后就可以发布了。
为什么要了解超文本呢?
因为我们用爬虫爬取的网页内容,它的原始形态是超文本,也就是网页管理人员编辑好的,那么我们要从中提取我们真正需要的内容,文本、图像、视频等等,那么都需要用一些库去解析超文本。这些内容在之后会提到。
比方说这样