1、什么是爬蟲(chóng)

爬蟲(chóng)，即網(wǎng)絡(luò)爬蟲(chóng)，大家可以理解為在網(wǎng)絡(luò)上爬行的一直蜘蛛，互聯(lián)網(wǎng)就比作一張大網(wǎng)，而爬蟲(chóng)便是在這張網(wǎng)上爬來(lái)爬去的蜘蛛咯，如果它遇到資源，那么它就會(huì)抓取下來(lái)。想抓取什么？這個(gè)由你來(lái)控制它咯。

比如它在抓取一個(gè)網(wǎng)頁(yè)，在這個(gè)網(wǎng)中他發(fā)現(xiàn)了一條道路，其實(shí)就是指向網(wǎng)頁(yè)的超鏈接，那么它就可以爬到另一張網(wǎng)上來(lái)獲取數(shù)據(jù)。這樣，整個(gè)連在一起的大網(wǎng)對(duì)這之蜘蛛來(lái)說(shuō)觸手可及，分分鐘爬下來(lái)不是事兒。

2、瀏覽網(wǎng)頁(yè)的過(guò)程

在用戶(hù)瀏覽網(wǎng)頁(yè)的過(guò)程中，我們可能會(huì)看到許多好看的圖片，比如 http://image.baidu.com/ ，我們會(huì)看到幾張的圖片以及百度搜索框，這個(gè)過(guò)程其實(shí)就是用戶(hù)輸入網(wǎng)址之后，經(jīng)過(guò)DNS服務(wù)器，找到服務(wù)器主機(jī)，向服務(wù)器發(fā)出一個(gè)請(qǐng)求，服務(wù)器經(jīng)過(guò)解析之后，發(fā)送給用戶(hù)的瀏覽器 HTML、JS、CSS 等文件，瀏覽器解析出來(lái)，用戶(hù)便可以看到形形色色的圖片了。

因此，用戶(hù)看到的網(wǎng)頁(yè)實(shí)質(zhì)是由 HTML 代碼構(gòu)成的，爬蟲(chóng)爬來(lái)的便是這些內(nèi)容，通過(guò)分析和過(guò)濾這些 HTML 代碼，實(shí)現(xiàn)對(duì)圖片、文字等資源的獲取。

3、URL的含義

URL，即統(tǒng)一資源定位符，也就是我們說(shuō)的網(wǎng)址，統(tǒng)一資源定位符是對(duì)可以從互聯(lián)網(wǎng)上得到的資源的位置和訪問(wèn)方法的一種簡(jiǎn)潔的表示，是互聯(lián)網(wǎng)上標(biāo)準(zhǔn)資源的地址?；ヂ?lián)網(wǎng)上的每個(gè)文件都有一個(gè)唯一的URL，它包含的信息指出文件的位置以及瀏覽器應(yīng)該怎么處理它。

URL的格式由三部分組成：

①第一部分是協(xié)議(或稱(chēng)為服務(wù)方式)。

②第二部分是存有該資源的主機(jī)IP地址(有時(shí)也包括端口號(hào))。

③第三部分是主機(jī)資源的具體地址，如目錄和文件名等。

爬蟲(chóng)爬取數(shù)據(jù)時(shí)必須要有一個(gè)目標(biāo)的URL才可以獲取數(shù)據(jù)，因此，它是爬蟲(chóng)獲取數(shù)據(jù)的基本依據(jù)，準(zhǔn)確理解它的含義對(duì)爬蟲(chóng)學(xué)習(xí)有很大幫助。

4、環(huán)境的配置

學(xué)習(xí)Python，當(dāng)然少不了環(huán)境的配置，最初我用的是Notepad++，不過(guò)發(fā)現(xiàn)它的提示功能實(shí)在是太弱了，于是，在Windows下我用了PyCharm，在Linux下我用了Eclipse for Python，另外還有幾款比較優(yōu)秀的IDE，大家可以參考這篇文章 學(xué)習(xí)Python推薦的IDE 。好的開(kāi)發(fā)工具是前進(jìn)的推進(jìn)器，希望大家可以找到適合自己的IDE。

知識(shí)點(diǎn)補(bǔ)充：

什么是爬蟲(chóng)和爬蟲(chóng)的基本邏輯

“爬蟲(chóng)”是一種形象的說(shuō)法?；ヂ?lián)網(wǎng)比喻成一張大網(wǎng)，爬蟲(chóng)是一個(gè)程序或腳本在這種大網(wǎng)上爬走。碰到蟲(chóng)子（資源），若是所需的資源就獲取或下載下來(lái)。這個(gè)資源通常是網(wǎng)頁(yè)、文件等等?？梢酝ㄟ^(guò)該資源里面的url鏈接，順藤摸瓜繼續(xù)爬取這些鏈接的資源。

你也可以把爬蟲(chóng)當(dāng)作模擬我們正常上網(wǎng)。打開(kāi)網(wǎng)頁(yè)并分析網(wǎng)頁(yè)的內(nèi)容獲取我們想要的東西。

那么，這里就涉及到http傳輸協(xié)議等相關(guān)的知識(shí)。

我們通常打開(kāi)一個(gè)網(wǎng)頁(yè)，基本上都是打開(kāi)一個(gè)Url鏈接即可。在這個(gè)過(guò)程當(dāng)中，實(shí)際上發(fā)生了很多事情。

打開(kāi)一個(gè)Url鏈接，瀏覽器自動(dòng)向Url鏈接的服務(wù)器發(fā)送一個(gè)請(qǐng)求(Request)，告訴服務(wù)器說(shuō)我需要訪問(wèn)這個(gè)Url鏈接的內(nèi)容，請(qǐng)返回?cái)?shù)據(jù)給我。服務(wù)器就處理該請(qǐng)求，響應(yīng)該請(qǐng)求并返回結(jié)果給瀏覽器。

既然爬蟲(chóng)需要模擬該過(guò)程。根據(jù)http協(xié)議，爬蟲(chóng)需要構(gòu)造一個(gè)請(qǐng)求(Request)，發(fā)到請(qǐng)求到目標(biāo)服務(wù)器(通常是Url鏈接)。然后等待服務(wù)器的響應(yīng)(Response)。

所有相關(guān)的數(shù)據(jù)都在這個(gè)響應(yīng)結(jié)果當(dāng)中，這個(gè)就是爬蟲(chóng)實(shí)現(xiàn)的基本邏輯。

以上就是Python爬蟲(chóng)入門(mén)有哪些基礎(chǔ)知識(shí)點(diǎn)的詳細(xì)內(nèi)容，更多關(guān)于Python爬蟲(chóng)入門(mén)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論