目录
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∶
- 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。
- Web服务器把URL转换为文件路径，并返回信息给 Web浏览器。
- 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