Python网络爬虫笔记（2）通用爬虫和聚焦爬虫

曾经终败给现在 2022-05-27 05:20 311阅读 0赞

# 通用爬虫和聚焦爬虫    #

根据使用场景，网络爬虫可分为 通用爬虫 和 聚焦爬虫 两种.

## 通用爬虫 ##

通用网络爬虫 是 捜索引擎抓取系统（Baidu、Google、Yahoo等）的重要组成部分。主要目的是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份。

### 通用搜索引擎（Search Engine）工作原理 ###

通用网络爬虫 从互联网中搜集网页，采集信息，这些网页信息用于为搜索引擎建立索引从而提供支持，它决定着整个引擎系统的内容是否丰富，信息是否即时，因此其性能的优劣直接影响着搜索引擎的效果。

#### 第一步：抓取网页 ####

搜索引擎网络爬虫的基本工作流程如下：

1.  首先选取一部分的种子URL，将这些URL放入待抓取URL队列；
2.  取出待抓取URL，解析DNS得到主机的IP，并将URL对应的网页下载下来，存储进已下载网页库中，并且将这些URL放进已抓取URL队列。
3.  分析已抓取URL队列中的URL，分析其中的其他URL，并且将URL放入待抓取URL队列，从而进入下一个循环....

###### 搜索引擎如何获取一个新网站的URL： ######

###### 1. 新网站向搜索引擎主动提交网址：（如百度[http://zhanzhang.baidu.com/linksubmit/url][http_zhanzhang.baidu.com_linksubmit_url]） ######

###### 2. 在其他网站上设置新网站外链（尽可能处于搜索引擎爬虫爬取范围） ######

###### 3. 搜索引擎和DNS解析服务商(如DNSPod等）合作，新网站域名将被迅速抓取。 ######

但是搜索引擎蜘蛛的爬行是被输入了一定的规则的，它需要遵从一些命令或文件的内容，如标注为`nofollow`的链接，或者是`Robots`协议。

> Robots协议（也叫爬虫协议、机器人协议等），全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取，例如：
> 
> 淘宝网：[https://www.taobao.com/robots.txt][https_www.taobao.com_robots.txt]
> 
> 腾讯网： [http://www.qq.com/robots.txt][http_www.qq.com_robots.txt]

#### 第二步：数据存储 ####

搜索引擎通过爬虫爬取到的网页，将数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的。

搜索引擎蜘蛛在抓取页面时，也做一定的重复内容检测，一旦遇到访问权重很低的网站上有大量抄袭、采集或者复制的内容，很可能就不再爬行。

#### 第三步：预处理 ####

搜索引擎将爬虫抓取回来的页面，进行各种步骤的预处理。

*  提取文字
 *  中文分词
 *  消除噪音（比如版权声明文字、导航条、广告等……）
 *  索引处理
 *  链接关系计算
 *  特殊文件处理
 *  ....

除了HTML文件外，搜索引擎通常还能抓取和索引以文字为基础的多种文件类型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我们在搜索结果中也经常会看到这些文件类型。

但搜索引擎还不能处理图片、视频、Flash 这类非文字内容，也不能执行脚本和程序。

#### 第四步：提供检索服务，网站排名 ####

搜索引擎在对信息进行组织和处理后，为用户提供关键字检索服务，将用户检索相关的信息展示给用户。

同时会根据页面的PageRank值（链接的访问量排名）来进行网站排名，这样Rank值高的网站在搜索结果中会排名较前，当然也可以直接使用 Money 购买搜索引擎网站排名，简单粗暴。

![20180412112128425][]

课外阅读：[Google搜索引擎的工作原理][Google]

### 但是，这些通用性搜索引擎也存在着一定的局限性： ###

1.  通用搜索引擎所返回的结果都是网页，而大多情况下，网页里90%的内容对用户来说都是无用的。
2.  不同领域、不同背景的用户往往具有不同的检索目的和需求，搜索引擎无法提供针对具体某个用户的搜索结果。
3.  万维网数据形式的丰富和网络技术的不断发展，图片、数据库、音频、视频多媒体等不同数据大量出现，通用搜索引擎对这些文件无能为力，不能很好地发现和获取。
4.  通用搜索引擎大多提供基于关键字的检索，难以支持根据语义信息提出的查询，无法准确理解用户的具体需求。

### 针对这些情况，聚焦爬虫技术得以广泛使用。 ###

## 聚焦爬虫 ##

聚焦爬虫，是"面向特定主题需求"的一种网络爬虫程序，它与通用搜索引擎爬虫的区别在于： 聚焦爬虫在实施网页抓取时会对内容进行处理筛选，尽量保证只抓取与需求相关的网页信息。

### 而我们今后要学习的，就是聚焦爬虫。 ###

[http_zhanzhang.baidu.com_linksubmit_url]: http://zhanzhang.baidu.com/linksubmit/url
[https_www.taobao.com_robots.txt]: https://www.taobao.com/robots.txt
[http_www.qq.com_robots.txt]: http://www.qq.com/robots.txt
[20180412112128425]: /images/20220527/466d0278c7854d4bad278099b55ff128.png
[Google]: http://article.yeeyan.org/view/99083/114884