【Python爬虫基础篇】--1.基础概念

目录

1.爬虫--定义

2.爬虫--组成

3.爬虫--URL

---

1.爬虫--定义

         网络爬虫，是一种按照一定规则，自动抓取互联网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。随着网络的迅速发展，万维网成为大量信息的载体，如何有效地提取并利用这些信息成为一个巨大的挑战。例如：传统的通用搜索引擎AltaVista，Yahoo!和Google等，作为一个辅助人们检索信息的工具也存在着一定的局限性，通用搜索引擎的目标是尽可能大的网络覆盖率，返回的结果包含大量用户不关心的网页，为了解决上述问题，定向抓取相关网页资源的爬虫应运而生。

            由于互联网数据的多样性和资源的有限性，根据用户需求定向抓取网页并分析，已成为主流的爬取策略。只要你能通过浏览器访问的数据都可以通过爬虫获取，爬虫的本质是模拟浏览器打开网页，获取网页中我们想要的那部分数据。

2.爬虫--组成

模块	核心功能	常用工具/技术	关键优化点
调度器	管理URL抓取优先级与任务队列	Scrapy调度器、Redis队列、RabbitMQ	去重策略、分布式任务分配
下载器	发送HTTP请求获取网页内容	requests、aiohttp、Selenium	代理轮换、请求头伪装、异步并发
解析器	提取数据（文本/API响应）	BeautifulSoup、XPath、正则表达式	动态渲染、数据清洗与结构化
数据存储	持久化存储抓取结果	MySQL/MongoDB、CSV/JSON文件、Elasticsearch	批量插入、索引优化
反爬策略	绕过反爬机制（验证码、频率限制）	代理IP池、OCR打码、Cookies模拟登录	请求延迟随机化、User-Agent轮换
监控与日志	记录运行状态与异常报警	logging模块、Prometheus+Grafana	错误重试、性能指标可视化

---

3.爬虫--URL

术语	定义	核心功能	示例
网页（Web Page）	由HTML/CSS/JavaScript编写的单个文档，通过浏览器渲染显示内容。	展示文本、图像、视频等具体信息。	https://example.com/about.html
网站（Website）	由多个相互链接的网页组成的集合，共享同一域名和主题。	提供完整服务或信息体系（如电商、博客）。	https://example.com （含主页、子页面）
网络服务器（Web Server）	存储网站文件（网页、图片等）的硬件/软件，响应客户端请求并返回数据。	托管网站内容，处理HTTP请求（如Apache、Nginx）。	阿里云ECS、AWS EC2实例
搜索引擎（Search Engine）	通过爬虫索引网页，提供关键词检索服务的系统。	快速定位全网公开资源（如网页、图片）。	Google、百度、Bing

URL： 

    早在1989年，网络发明人蒂姆·伯纳斯 - 李（Tim Berners-Lee）就提出了网站的三大支柱：

    1）URL ,跟踪Web文档的地址系统

    2）HTTP，一个传输协议，以便在给定URL时查找文档

    3）HTML, 允许嵌入超链接的文档格式

     Web的最初目的是提供一种简单的方式来访问，阅读和浏览文本文档。从那时起，网络已经发展到提供图像，视频和二进制数据的访问，但是这些改进几乎没有改变三大支柱。

    在Web之前，很难访问文档并从一个文档跳转到另一个文档。WWW（World Wide Web，万维网）简称为3W，使用统一资源定位符（URL）来标志WWW上的各种文档。

    完整的工作流程如下∶

1. Web用户使用浏览器（指定URL）与Web服务器建立连接，并发送浏览请求。
2. Web服务器把URL转换为文件路径，并返回信息给 Web浏览器。
3. 通信完成，关闭连接。

    HTTP:超文本传送协议（HTTP）是在客户程序（如浏览器）与WWW服务器程序之间进行交互所使用的协议。HTTP使用统一资源标识符（Uniform Resource Identifiers, URI）来传输数据和建立连接，它使用TCP连接进行可靠传输，服务器默认监听在80端口。 

    URL:代表统一资源定位器。URL 只不过是 Web 上给定的唯一资源的地址。理论上，每个有效的 URL 都指向一个唯一的资源。此类资源可以是 HTML 页面、CSS 文档、图像等。

组成部分	说明	**示例（以 http://www.example.com:80/path/to/myfile.html?key1=value1#anchor 为例）
协议	指定访问资源的协议（如 http、https、ftp），后跟 :// 分隔符。	http:
域名/IP	服务器的地址（如 www.example.com 或 192.168.1.1）。	www.example.com
端口	可选，服务器监听的端口号（默认端口可省略，如 HTTP 默认 80）。	:80（可省略）
资源路径	服务器上资源的路径，包含虚拟目录和文件名。	/path/to/myfile.html
查询参数	可选，以 ? 开头，键值对形式（如 ?key1=value1&key2=value2）。	?key1=value1
锚点	可选，以 # 开头，指向资源内的特定位置（如 HTML 锚点或视频时间戳）。	#anchor