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，小小课堂SEO学网带来的是《页面抓取过程简述》。希望本次的SEO技术培训对大家有所帮助。

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。

如未特殊注明，文章均来源于网络！ 转载请注明来自：http://www.zhandodo.com