爬虫原理和网页构造

 

网络连接像是在自助饮料售货机上购买饮料一样：购买者只需选择所需饮料，投入硬币（或纸币），自助饮料售货机就会弹出相应的商品。网络连接也正是如此，如下图所示，本机电脑（购买者）带着请求头和消息体（硬币和所需饮料）向服务器（自助饮料售货机）发起一次Requests请求（购买），相应的服务器（自助饮料售货机）会返回本机电脑相应的HTML文件作为Response（相应的商品）。

了解网络连接的基本原理后，爬虫原理就很好理解了。网络连接需要电脑一次Requests请求和服务器端的Response回应。爬虫也是需要二件事：

（1）模拟电脑对服务器发起Requests请求。

（2）接收服务器端的Response的内容并解析提取所需信息。

 

 

现在任意打开一个网页（http://www.anjuke.com/），标右击空白处，在弹出的快捷菜单中选择“检查”命令，可以看到网页的代码，如图所示。

分析这个图，上半部分为HTML文件，下部分为CSS样式，用<script></script>标签的就是JavaScript。用户浏览的网页就是浏览器渲染后的结果，浏览器就像翻译官，把HTML、CSS和JavaScript进行翻译得到用户使用的网页界面。

右击网页空白处，从快捷菜单中选择“查看网页源代码”命令，即可查看该网页的源代码，如图所示。