爬虫原理和网页构造

网络连接

爬虫需要了解关于网络连接的知识不多，只需要知道最基本的连接原理即可
如下图所示：

在客户端点开一个连接就会向服务器发送出一个请求，服务器就会向客户端返回相应的文件。
比如上网买东西。你下单了，就是发送一个请求（请求里携带着你的地址系信息）给仓库，仓库就会发送相应的货物给你。

爬虫原理

1.模拟计算器对服务器发起Request请求
2.接收服务器端的Response内容并解析、提取所需的信息

多页面爬虫流程

有时候，我们所需要的信息不在同一个页面，而是分布在多个页面。当这些页面的URL存在一定的规律时，可以用到多页面爬虫。
多页面爬虫流程：
1.观察各页面的URL特点，构建出URL列表
URL：URL是统一资源定位符，对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示，是互联网上标准资源的地址。就像是路径一样， 在电脑上程序访问文件需要提供路径，只不过这些路径是在互联网上。
2.循环遍历URL列表，并调用爬虫函数
3.解析、提取所需的信息
4.存储

跨页面爬虫流程

当这些页面的URL不存在着明显规律的时候，就要考虑跨页面爬虫流程。假如你在网页上看小说，你想把正本小说爬下来慢慢看，但是呢章节与章节之间的URL肯定是不同的，这个时候你要做的是找到下一章的链接。爬了第一章，就能解析出第二章的链接，以此类推。

这些内容现在过于抽象，下面的博客会详细说明的。

网页构造（有网页基础的可不看）

在这里我强烈推荐大家安装Chrome，这是爬虫绕不过的坎（当然啦，Firefox也行。但用Chrome的人多，那就说明相应的教程多。）
如何查看网页的构造？鼠标右键->检查 或者 按下F12

这样就能查看网页构造了。
当然，现在不需要太多了解，只需知道怎么查看网页构造就可以了。

下一个博客将会讲最简单的爬虫程序。