Python爬蟲的基礎知識點

這篇文章主要講解了Python爬蟲的基礎知識點，內容清晰明了，對此有興趣的小伙伴可以學習一下，相信大家閱讀完之后會有幫助。

1、什么是爬蟲

爬蟲，即網絡爬蟲，大家可以理解為在網絡上爬行的一直蜘蛛，互聯網就比作一張大網，而爬蟲便是在這張網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頁，在這個網中他發現了一條道路，其實就是指向網頁的超鏈接，那么它就可以爬到另一張網上來獲取數據。這樣，整個連在一起的大網對這之蜘蛛來說觸手可及，分分鐘爬下來不是事兒。

2、瀏覽網頁的過程

在用戶瀏覽網頁的過程中，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址之后，經過DNS服務器，找到服務器主機，向服務器發出一個請求，服務器經過解析之后，發送給用戶的瀏覽器 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，用戶看到的網頁實質是由 HTML 代碼構成的，爬蟲爬來的便是這些內容，通過分析和過濾這些 HTML 代碼，實現對圖片、文字等資源的獲取。

3、URL的含義

URL，即統一資源定位符，也就是我們說的網址，統一資源定位符是對可以從互聯網上得到的資源的位置和訪問方法的一種簡潔的表示，是互聯網上標準資源的地址。互聯網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該怎么處理它。

URL的格式由三部分組成：

①第一部分是協議(或稱為服務方式)。

②第二部分是存有該資源的主機IP地址(有時也包括端口號)。

③第三部分是主機資源的具體地址，如目錄和文件名等。

爬蟲爬取數據時必須要有一個目標的URL才可以獲取數據，因此，它是爬蟲獲取數據的基本依據，準確理解它的含義對爬蟲學習有很大幫助。

4、環境的配置

學習Python，當然少不了環境的配置，最初我用的是Notepad++，不過發現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秀的IDE，大家可以參考這篇文章 學習Python推薦的IDE 。好的開發工具是前進的推進器，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。互聯網比喻成一張大網，爬蟲是一個程序或腳本在這種大網上爬走。碰到蟲子（資源），若是所需的資源就獲取或下載下來。這個資源通常是網頁、文件等等。可以通過該資源里面的url鏈接，順藤摸瓜繼續爬取這些鏈接的資源。

你也可以把爬蟲當作模擬我們正常上網。打開網頁并分析網頁的內容獲取我們想要的東西。

那么，這里就涉及到http傳輸協議等相關的知識。

我們通常打開一個網頁，基本上都是打開一個Url鏈接即可。在這個過程當中，實際上發生了很多事情。

打開一個Url鏈接，瀏覽器自動向Url鏈接的服務器發送一個請求(Request)，告訴服務器說我需要訪問這個Url鏈接的內容，請返回數據給我。服務器就處理該請求，響應該請求并返回結果給瀏覽器。

既然爬蟲需要模擬該過程。根據http協議，爬蟲需要構造一個請求(Request)，發到請求到目標服務器(通常是Url鏈接)。然后等待服務器的響應(Response)。

所有相關的數據都在這個響應結果當中，這個就是爬蟲實現的基本邏輯。

看完上述內容，是不是對Python爬蟲的基礎知識點有進一步的了解，如果還想學習更多內容，歡迎關注億速云行業資訊頻道。