《自己动手写网络爬虫》读书笔记——网页基本知识

URI：

　　Web上每种可用的资源，如HTML文档、图像、视频片段、程序等都是由一个通用资源标志符（Universal Ressource Identifier，URI）进行定位。

　　URI通常由三部分组成：1）访问资源的命名机制；2）存放资源的主机名；3）资源本身的名称，由路径表示。

URL:

　　URL是URI的一个子集，它是Uniform Resource Locator的缩写，译为“统一资源定位符”。通俗的说，URL是Internt上描述信息资源的字符串，主要用在

各种WWW客户程序和服务器程序上。采用URL可以用一种统一的格式来描述各种信息资源，包括文件、服务器的地址和目录等。URL的格式由三部分组成：

　　1）协议（或称为服务方式）；

　　2）存有该资源的主机IP地址（有时也包括端口号）；

　　3）主机资源的具体地址，如目录和文件名等。

　　第一部分和第二部分用“:\\”符号隔开，第二部分和第三部分用“/”符号隔开。第一部分和第二部分是必不可少的，第三部分有时可以省略。

 

　　爬虫最主要的处理对象就是URL，它根据URL地址取得所需要的文件内容，然后对它进行进一步的处理。