一、爬蟲的簡單理解

1. 什么是爬蟲？

網絡爬蟲也叫網絡蜘蛛，如果把互聯網比喻成一個蜘蛛網，那么蜘蛛就是在網上爬來爬去的蜘蛛，爬蟲程序通過請求url地址，根據響應的內容進行解析采集數據， 比如：如果響應內容是html，分析dom結構，進行dom解析、或者正則匹配，如果響應內容是xml/json數據，就可以轉數據對象，然后對數據進行解析。

2. 爬蟲有什么作用？

通過有效的爬蟲手段批量采集數據，可以降低人工成本，提高有效數據量，給予運營/銷售的數據支撐，加快產品發(fā)展。

3. 爬蟲業(yè)界的情況

目前互聯網產品競爭激烈，業(yè)界大部分都會使用爬蟲技術對競品產品的數據進行挖掘、采集、大數據分析，這是必備手段，并且很多公司都設立了爬蟲工程師的崗位。

4. 合法性

爬蟲是利用程序進行批量爬取網頁上的公開信息，也就是前端顯示的數據信息。因為信息是完全公開的，所以是合法的。其實就像瀏覽器一樣，瀏覽器解析響應內容并渲染為頁面，而爬蟲解析響應內容采集想要的數據進行存儲。

5. 反爬蟲

爬蟲很難完全的制止，道高一尺魔高一丈，這是一場沒有硝煙的戰(zhàn)爭，碼農VS碼農

反爬蟲一些手段：

• 合法檢測：請求校驗(useragent，referer，接口加簽名，等)
• 小黑屋：IP/用戶限制請求頻率，或者直接攔截
• 投毒：反爬蟲高境界可以不用攔截，攔截是一時的，投毒返回虛假數據，可以誤導競品決策

二、通用爬蟲

根據使⽤場景，⽹絡爬⾍可分為 通⽤爬⾍ 和 聚焦爬⾍ 兩種.。

1、通⽤爬⾍

通⽤⽹絡爬⾍是捜索引擎（Baidu、Google、Yahoo）抓取系統(tǒng)的重要組成部分。主要⽬的是將互聯⽹上的⽹⻚下載到本地，形成⼀個互聯⽹內容的鏡像備份。

⽹絡爬⾍的基本⼯作流程如下：

1. ⾸先選取⼀部分精⼼挑選的種⼦URL；
2. 將這些 URL 放⼊待抓取 URL 隊列；
3. 從待抓取 URL 隊列中取出待抓取在 URL，解析 DNS，并且得到主機的 ip，并將 URL 對應的⽹⻚下載下來，存儲進已下載⽹⻚庫中。此外，將 這些 URL 放進已抓取 URL 隊列。
4. 分析已抓取 URL 隊列中的 URL，分析其中的其他 URL，并且將 URL放⼊ 待抓取 URL 隊列，從⽽進⼊下⼀個循環(huán)....

2、通⽤搜索引擎（Search Engine）⼯作原理

隨著⽹絡的迅速發(fā)展，萬維⽹成為⼤量信息的載體，如何有效地提取并利⽤這些信息成為⼀個巨⼤的挑戰(zhàn)，通常⽤戶會通過搜索引擎（Yahoo，Google，百度等），來作為訪問萬維⽹的⼊⼝。

⽽ 通⽤⽹絡爬⾍ 是搜索引擎系統(tǒng)中⼗分重要的組成部分，它負責從互聯⽹中搜集⽹⻚，采集信息，這些⽹⻚信息⽤于為搜索引擎建⽴索引從⽽提供⽀持，它決定著整個引擎系統(tǒng)的內容是否豐富，信息是否即時，因此其性能的優(yōu)劣直接影響著搜索引擎的效果。

第⼀步：抓取⽹⻚

搜索引擎通過⼀種有特定規(guī)律的軟件，來跟蹤⽹⻚的鏈接，從⼀個鏈接爬到另外⼀個鏈接，像蜘蛛在蜘蛛⽹上爬⾏⼀樣，所以被稱為“蜘蛛”也被稱為“機器⼈”。

但是搜索引擎蜘蛛的爬⾏是被輸⼊了⼀定的規(guī)則的，它需要遵從⼀些命令或⽂件的內容。
Robots 協(xié)議（也稱為爬⾍協(xié)議、機器⼈協(xié)議等）的全稱是“⽹絡爬⾍排除標準”（Robots Exclusion Protocol），⽹站通過 Robots 協(xié)議告訴搜索引擎哪些⻚⾯可以抓取，哪些⻚⾯不能抓取

https://www.taobao.com/robots...
http://www.qq.com/robots.txt

robots.txt 只是約定，爬⾍遵守或者不遵守完全在于爬⾍作者的意愿。舉個例⼦，公交⻋上貼著「請為⽼弱病殘孕讓座」，但是⼤部分⼈并不⻅得會遵守。⼀般來講，只有⼤的搜索引擎爬⾍會遵守你⽹站的 robots.txt 協(xié)議，其它的爬⾍基本都不會看⼀眼你的 robots.txt 寫的是什么。

第⼆步：數據存儲

搜索引擎是通過蜘蛛跟蹤鏈接爬⾏到⽹⻚，并將爬⾏的數據存⼊原始⻚⾯數據庫。其中的⻚⾯數據與⽤戶瀏覽器得到的 HTML 是完全⼀樣的。搜索引擎蜘蛛在抓取⻚⾯時，也做⼀定的重復內容檢測，⼀旦遇到權重很低的⽹站上有⼤量抄襲、采集或者復制的內容，很可能就不再爬⾏。

第三步：預處理

搜索引擎將蜘蛛抓取回來的⻚⾯，進⾏各種步驟的預處理。

• 提取⽂字
• 中⽂分詞
• 去停⽌
• 詞
• 消除噪⾳（搜索引擎需要識別并消除這些噪聲，⽐如版權聲明⽂字、導 航條、⼴告等……）
• 正向索引
• 倒排索
• 引鏈接關系計算
• 特殊⽂件處理
• ....
  

除了 HTML⽂件外，搜索引擎通常還能抓取和索引以⽂字為基礎的多種⽂件類型，如 PDF、Word、WPS、XLS、PPT、TXT ⽂件等。我們在搜索結果中也經常會看到這些⽂件類型。

但搜索引擎還不能處理圖⽚、視頻、Flash 這類⾮⽂字內容，也不能執(zhí)⾏腳本和程序。

第四步：排名，提供檢索服務
搜索引擎是根據⼀定的策略、運⽤特定的計算機程序從互聯⽹上搜集信息，在對信息進⾏組織和處理后，為⽤戶提供檢索服務，將⽤戶檢索相關的信息展示給⽤戶的系統(tǒng)。

但是，這些通⽤性搜索引擎也存在著⼀定的局限性：

1. 不同領域、不同背景的⽤戶往往具有不同的檢索⽬的和需求，通⽤搜索引擎所返回的結果包含⼤量⽤戶不關⼼的⽹⻚。
2. 通⽤搜索引擎的⽬標是盡可能⼤的⽹絡覆蓋率，有限的搜索引擎服務器資源與⽆限的⽹絡數據資源之間的⽭盾將進⼀步加深。
3. 萬維⽹數據形式的豐富和⽹絡技術的不斷發(fā)展，圖⽚、數據庫、⾳頻、視頻多媒體等不同數據⼤量出現，通⽤搜索引擎往往對這些信息含量密集且具有⼀定結構的數據⽆能為⼒，不能很好地發(fā)現和獲取。
4. 通⽤搜索引擎⼤多提供基于關鍵字的檢索，難以⽀持根據語義信息提出的查詢。
   

三、聚焦爬⾍(Focused Crawler)

• 聚焦爬⾍，⼜稱主題爬⾍（或專業(yè)爬⾍），是“⾯向特定主題”的⼀種⽹絡爬⾍程序。它與我們通常所說的爬⾍（通⽤爬⾍）的區(qū)別之處就在于，聚焦爬⾍在實施⽹⻚抓取時要進⾏主題篩選。它盡量保證只抓取與主題相關的⽹⻚信息。
• 聚焦⽹絡爬⾍并不追求⼤的覆蓋，⽽將⽬標定為抓取與某⼀特定主題內容相關的⽹⻚，為⾯向主題的⽤戶查詢準備數據資源。
• 聚焦爬⾍的⼯作流程較為復雜，需要根據⼀定的⽹⻚分析算法過濾與主題⽆關的鏈接，保留有⽤的鏈接并將其放⼊等待抓取的 URL 隊列。然后，它將根據⼀定的搜索策略從隊列中選擇下⼀步要抓取的⽹⻚URL，并重復上述過程，直到達到系統(tǒng)的某⼀條件時停⽌。
• 另外，所有被爬⾍抓取的⽹⻚將會被系統(tǒng)存貯，進⾏⼀定的分析、過濾，并建⽴索引，以便之后的查詢和檢索；對于聚焦爬⾍來說，這⼀過程所得到的分析結果還可能對以后的抓取過程給出反饋和指導。

以上就是淺析python 通⽤爬⾍和聚焦爬⾍的詳細內容，更多關于python 爬蟲的資料請關注腳本之家其它相關文章！

最新評論