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(huì)抓取下來。想抓取什么？這個(gè)由你來控制它咯。

比如它在抓取一個(gè)網(wǎng)頁，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(gè)連在一起的大網(wǎng)對(duì)這之蜘蛛來說觸手可及，分分鐘爬下來不是事兒。

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(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)過程其實(shí)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(gè)請(qǐng)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(shí)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(shí)現(xiàn)對(duì)圖片、文字等資源的獲取。

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(duì)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。互聯(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)爬蟲學(xué)習(xí)有很大幫助。

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(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