Python爬蟲的基礎(chǔ)知識點

這篇文章主要講解了Python爬蟲的基礎(chǔ)知識點，內(nèi)容清晰明了，對此有興趣的小伙伴可以學(xué)習(xí)一下，相信大家閱讀完之后會有幫助。

1、什么是爬蟲

爬蟲，即網(wǎng)絡(luò)爬蟲，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)，而爬蟲便是在這張網(wǎng)上爬來爬去的蜘蛛咯，如果它遇到資源，那么它就會抓取下來。想抓取什么？這個由你來控制它咯。

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

2、瀏覽網(wǎng)頁的過程

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

因此，用戶看到的網(wǎng)頁實質(zhì)是由 HTML 代碼構(gòu)成的，爬蟲爬來的便是這些內(nèi)容，通過分析和過濾這些 HTML 代碼，實現(xiàn)對圖片、文字等資源的獲取。

3、URL的含義

URL，即統(tǒng)一資源定位符，也就是我們說的網(wǎng)址，統(tǒng)一資源定位符是對可以從互聯(lián)網(wǎng)上得到的資源的位置和訪問方法的一種簡潔的表示，是互聯(lián)網(wǎng)上標(biāo)準(zhǔn)資源的地址?；ヂ?lián)網(wǎng)上的每個文件都有一個唯一的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(有時也包括端口號)。

③第三部分是主機(jī)資源的具體地址，如目錄和文件名等。

爬蟲爬取數(shù)據(jù)時必須要有一個目標(biāo)的URL才可以獲取數(shù)據(jù)，因此，它是爬蟲獲取數(shù)據(jù)的基本依據(jù)，準(zhǔn)確理解它的含義對爬蟲學(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++，不過發(fā)現(xiàn)它的提示功能實在是太弱了，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。

知識點補充：

什么是爬蟲和爬蟲的基本邏輯

“爬蟲”是一種形象的說法?；ヂ?lián)網(wǎng)比喻成一張大網(wǎng)，爬蟲是一個程序或腳本在這種大網(wǎng)上爬走。碰到蟲子（資源），若是所需的資源就獲取或下載下來。這個資源通常是網(wǎng)頁、文件等等。可以通過該資源里面的url鏈接，順藤摸瓜繼續(xù)爬取這些鏈接的資源。

你也可以把爬蟲當(dāng)作模擬我們正常上網(wǎng)。打開網(wǎng)頁并分析網(wǎng)頁的內(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。

我們通常打開一個網(wǎng)頁，基本上都是打開一個Url鏈接即可。在這個過程當(dāng)中，實際上發(fā)生了很多事情。

打開一個Url鏈接，瀏覽器自動向Url鏈接的服務(wù)器發(fā)送一個請求(Request)，告訴服務(wù)器說我需要訪問這個Url鏈接的內(nèi)容，請返回數(shù)據(jù)給我。服務(wù)器就處理該請求，響應(yīng)該請求并返回結(jié)果給瀏覽器。

既然爬蟲需要模擬該過程。根據(jù)http協(xié)議，爬蟲需要構(gòu)造一個請求(Request)，發(fā)到請求到目標(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)都在這個響應(yīng)結(jié)果當(dāng)中，這個就是爬蟲實現(xiàn)的基本邏輯。

看完上述內(nèi)容，是不是對Python爬蟲的基礎(chǔ)知識點有進(jìn)一步的了解，如果還想學(xué)習(xí)更多內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道。