什么是URL，网页是如何被搜索引擎抓取的

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。今天，我们给大家讲述有关url的页面抓取过程。

 

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.***.com /sitemap.html

 

其中https为协议方案，www.***.com为主机名 ，sitemap.html为资源，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.***.com )转换为IP地址，并反馈给客户端。

 

PS：本来我们通过125.52.10.45 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.***.com 。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.***.com:443/ = https://www.***.com/

 

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

 

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 sitemap.html HTTPS/1.0

 

获取HTTPS协议下的页面sitemap 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/sitemap.html 可能会更清晰。也就是发送 https://www.***.com/ 下的 seo文件夹下的 sitemap.html 的页面请求。