Python爬蟲（一）：基本概念，python爬蟲基本概念

Python爬蟲（一）：基本概念，python爬蟲基本概念
網路爬蟲的定義         網路爬蟲（Web Spider，又被稱為網頁蜘蛛，網路機器人，又稱為網頁追逐者），是一種按照一定的規則，自動的抓取全球資訊網資訊的程式或者指令碼。另外一些不常使用的名字還有螞蟻，自動索引，類比程式或者蠕蟲。如果把互連網比喻成一個蜘蛛網，那麼Spider就是在網上爬來爬去的蜘蛛。        網路蜘蛛是通過網頁的連結地址來尋找網頁的。從網站某一個頁面（通常是首頁）開始，讀取網頁的內容，找到在網頁中的其它連結地址，然後通過這些連結地址尋找下一個網頁，這樣一直迴圈下去，直到把這個網站所有的網頁都抓取完為止。如果把整個互連網當成一個網站，那麼網路蜘蛛就可以用這個原理把互連網上所有的網頁都抓取下來。這樣看來，網路爬蟲就是一個爬行程式，一個抓取網頁的程式。
        簡單地說，網路爬蟲的基本任務就是抓取網頁內容。
URL概念        抓取網頁的過程其實和讀者平時使用IE瀏覽器瀏覽網頁的道理是一樣的。比如說你在瀏覽器的地址欄中輸入    www.baidu.com    這個地址。開啟網頁的過程其實就是瀏覽器作為一個瀏覽的“用戶端”，向伺服器端發送了 一次請求，把伺服器端的檔案“抓”到本地，再進行解釋、展現。HTML是一種標記語言，用標籤標記內容並加以解析和區分。瀏覽器的功能是將擷取到的HTML代碼進行解析，然後將原始的代碼轉變成我們直接看到的網站頁面。
        在理解URL之前，首先要理解URI的概念。
Web上每種可用的資源，如 HTML文檔、映像、視頻片段、程式等都由一個通用資源標誌符(Universal Resource Identifier， URI)進行定位。 URI通常由三部分組成：
         ①訪問資源的命名機制；
         ②存放資源的主機名稱；
         ③資源自身 的名稱，由路徑表示。
如URI：http://www.baidu.com.cn/myhtml/html1223/，我們可以這樣解釋它：
        ①這是一個可以通過HTTP協議訪問的資源，
        ②位於主機www.baidu.com.cn上，
        ③通過路徑“/html/html40”訪問。 
URL的概念         URL是URI的一個子集。它是Uniform Resource Locator的縮寫，譯為“統一資源定位 符”。通俗地說，URL是Internet上描述資訊資源的字串，主要用在各種WWW客戶程式和伺服器程式上。採用URL可以用一種統一的格式來描述各種資訊資源，包括檔案、伺服器的地址和目錄等。

URL樣本

1.HTTP協議的URL樣本：
使用超級文本傳輸協議HTTP，提供超級文本資訊服務的資源。

 例：http://www.peopledaily.com.cn/channel/welcome.htm 
其電腦網域名稱為www.peopledaily.com.cn。
超級文字檔(檔案類型為.html)是在目錄 /channel下的welcome.htm。
這是中國人民日報的一台電腦。 

例：http://www.rol.cn.net/talk/talk1.htm 
其電腦網域名稱為www.rol.cn.net。
超級文字檔(檔案類型為.html)是在目錄/talk下的talk1.htm。
這是瑞得聊天室的地址，可由此進入瑞得聊天室的第1室。


2．檔案的URL
用URL表示檔案時，伺服器方式用file表示，後面要有主機IP地址、檔案的存取路 徑(即目錄)和檔案名稱等資訊。
有時可以省略目錄和檔案名稱，但“/”符號不能省略。 
例：file://ftp.yoyodyne.com/pub/files/foobar.txt 
上面這個URL代表存放在主機ftp.yoyodyne.com上的pub/files/目錄下的一個檔案，檔案名稱是foobar.txt。

例：file://ftp.yoyodyne.com/pub 
代表主機ftp.yoyodyne.com上的目錄/pub。 

例：file://ftp.yoyodyne.com/ 
代表主機ftp.yoyodyne.com的根目錄。