发布日期:2018-11-07 10:07 来源:小小课堂SEO自学网 标签: 页面抓取
url,即统一资源定位符,通过对url的分析,我们可以更好地理解页面抓取过程。

        url,即统一资源定位符,通过对url的分析,我们可以更好地理解页面抓取过程。

        一、url是什么意思?

        URL,英文全称为“uniform resource locator”,中文译为“统一资源定位符”。

        在网站优化中要求每一个页面有且仅有一个唯一的统一资源定位符(URL),但往往很多网站同一页面对应了很多个URL,如果都被搜索引擎收录且未做URL转向,就会产生权重不集中的情况,通常称为URL不规范。

        二、url的组成

        统一资源定位符(URL),由三部分组成:协议方案、主机名和资源名。

        例如:

        https:// www.x**.org /11806

        其中https为协议方案,www.***.org 为主机名 ,11806为资源,不过这个资源不太明显,一般资源后缀为.html,当然还可以是.pdf、.php、.word等格式。

        三、页面抓取过程简述

        无论是我们平时用的互联网浏览器,还是网络爬虫,虽然是两种不同的客户端,但获取页面的方式却是相同的。页面抓取过程如下:

        ① 连接DNS域名系统服务器

        客户端都会先连接到DNS域名服务器上,DNS服务器将主机名( www.***.org )转换为IP地址,并反馈给客户端。

        PS:本来我们通过111.152 . 151.45 的地址来访问某网站,为了方便记忆和使用,才利用DNS域名系统转换为了 www.***.org 。这也就是DNS域名系统的作用。

        ② 连接IP地址服务器

        该IP服务器下可能会有很多程序(网站),可以通过端口号来做区分,同时每个程序(网站)都会监听端口是否有新的连接请求,HTTP网站默认为80,HTTPS网站默认为443。

        不过通常情况下,端口号80和443是默认不出现的。

        举例来讲:

        https://www.***.org:443/ = https://www.***.org/

        http://www.***.org:80/ = http://www.***.org/

        ③ 建立连接并发送页面请求

        客户端与服务器建立连接后,会发送页面请求,通常为get,也可以是post。

        get 11806 HTTPS/1.0

        获取HTTPS协议下的页面11806 返回给客户端。之后如需继续获取更多页面,则发送其他请求,否则将关闭该连接。

        PS:通常情况下 ,/seo/11806.html 可能会更清晰。也就是发送 https://www.***.org/ 下的 seo文件夹下的 11806.html 的页面请求。

      【版权声明】本文转载自小小课堂SEO自学网,中国站长不拥有所有权,不承担相关法律责任。如果发现本站有涉嫌抄袭的内容,欢迎举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。



相关评论