1、什么是爬蟲(chóng)

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

　　比如它在抓取一個(gè)網(wǎng)頁(yè)，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(yè)的超鏈接，那么它就可以爬到另一張網(wǎng)上來(lái)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(lái)說(shuō)觸手可及，分分鐘爬下來(lái)不是事兒。

　　2、瀏覽網(wǎng)頁(yè)的過(guò)程

　　在用戶瀏覽網(wǎng)頁(yè)的過(guò)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(guò)程其實(shí)就是用戶輸入網(wǎng)址之后，經(jīng)過(guò)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(guò)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(lái)，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(yè)實(shí)質(zhì)是由 HTML 代碼構(gòu)成的，爬蟲(chóng)爬來(lái)的便是這些內(nèi)容，通過(guò)分析和過(guò)濾這些 HTML 代碼，實(shí)現(xiàn)對(duì)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(shuō)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(wèn)方法的一種簡(jiǎn)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(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)。

　�、诘诙�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(chóng)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(chóng)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(chóng)學(xué)習(xí)有很大幫助。