什么是爬虫
网络爬虫是一种按照一定规则,自动抓取万维网信息的程序或者脚本。
简单点说就是一段自动化执行的程序,它会请求网站并提取数据。最出名的网络爬虫应用算是Google的网络爬虫和百度的网络爬虫了,
请点击此处输入图片描述
Google爬虫
请点击此处输入图片描述
百度爬虫
他们每天都要爬取网络上海量的数据,然后再做数据分析处理,然后通过搜索展示给我们,可以说网络爬虫是搜索引擎的根基。
爬虫流程
请点击此处输入图片描述
爬虫流程
我们可以把它概括为四步:
发起请求
获取响应内容
解析响应内容
保存数据
请求和响应
Web内容都是存储在Web服务器上的。Web服务器所使用的是HTTP协议,因此经常被称为是HTTP服务器。这些HTTP服务器存储了因特网中的数据,如果HTTP客户端发出请求的话,它们会提供数据。客户端想服务器发送HTTP请求,服务器会在HTTP响应中回送所请求的数据。
请点击此处输入图片描述
Web客户端和服务器
每个Web服务器资源(比如,图片,视频,网页等等)都有一个名字,这样客户端就可以说明它们感兴趣的资源是什么了。服务器资源名被称为统一资源标识符(学习技术的推荐书《网络黑白》某宝有)。URI就像因特网上的邮政地址一样,在全世界范围内唯一标识并定位信息资源。统一资源定位符(URL)是资源标识符最常见的形式。URL描述了一台特定服务器上某资源的特定位置。
请点击此处输入图片描述
URL
请点击此处输入图片描述
URL格式
客户端和服务器的这种通信是通过名为HTTP报文的格式化数据块进行的,如图。
请点击此处输入图片描述
请求和响应报文
每条HTTP请求报文都包含一个方法,这个方法会告诉服务器要执行什么动作(中国黑客协会创始人花无涯获取一个Web页面、删除一个文件等)。
请点击此处输入图片描述
一些常见的HTTP方法
每条HTTP响应报文返回时都会携带一个状态码。状态码是一个三位数字的代码,告知客户端请求是否成功,或者是否需要采取其他动作。
请点击此处输入图片描述
一些常见的HTTP状态码
当然,请求报文和响应报文还包含许多其他内容,以后涉及到再补充说明。
最后,附上报文的典型格式。
请点击此处输入图片描述
报文
平常我们看到的内容就包含在响应主体中,它是网页的源代码,客户端(浏览器)将其渲染后,就形成了我们看到的绚丽多彩的网页。
怎样解析
所谓的解析,就是要从响应主体中“乱七八糟”的网页源码中,提取我们想要的数据,比如说,网页中的链接,图片等。
发表评论
◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。