网络爬虫的定义:
网络爬虫,即web spider。
浏览网页的过程:
打开网页的过程其实就是浏览器作为一个浏览的客户端,向服务器发送了一次请求,把服务器的文件‘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。
URL 与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、程序等都是由一个通用资源标识符(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:
http://www.why.com.cn/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www.why.com.cn上
3.通过路径‘myhtml.html123'访问
URL的理解和举例
URL是URI的一个子集,统一资源定位符。
通俗的讲,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(或称服务方式)
2.第二部分是存由该资源的主机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。
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。
URL是URI的一个子集。
URI的定义:统一资源标识符
URL定义: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(htt://)
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,准确理解URL对理解网络爬虫至关重要。