Python爬虫基础讲解（一）：爬虫的分类

系统管理员 2023-01-19 03:22 235阅读 0赞

# 通用爬虫 #

通用网络爬虫是搜索引擎抓取系统(Baidu、Google、Sogou等)的一个重要组成部分。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。为搜索引擎提供搜索支持。

![350249d5881f4d0fd5be7fe6ea132de6.png][]

### 第一步 ###

搜索引擎去成千上万个网站抓取数据。

### 第二步 ###

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(也就是文档库)。其中的页面数据与用户浏览器得到的HTML是完全—样的。

### 第三步 ###

搜索引擎将爬虫抓取回来的页面，进行各种步骤的预处理:中文分词，消除噪音，索引处理。。。  
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。展示的时候会进行排名。

### 搜索引擎的局限性 ###

*  搜索引擎抓取的是整个网页，不是具体详细的信息。
 *  搜索引擎无法提供针对具体某个客户需求的搜索结果。

# 聚焦爬虫 #

针对通用爬虫的这些情况，聚焦爬虫技术得以广泛使用。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数据。**

# Robots协议 #

robots是网站跟爬虫间的协议，用简单直接的txt格式文本方式告诉对应的爬虫被允许的权限，也就是说robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。当一个搜索蜘蛛访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围;如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。——百度百科

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 ExclusionProtocol)，**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: [https://www.taobao.com/robots.txt][https_www.taobao.com_robots.txt]  
百度: [https://www.baidu.com/robots.txt][https_www.baidu.com_robots.txt]

# 请求与相应 #

网络通信由两部分组成:**客户端请求消息**与**服务器响应消息**

![c1af9c4a444658cd53e978c3cb735930.png][]

**浏览器发送HTTP请求的过程：**

![03e7789828ab6489263e8dd1b344ca02.png][]

1.  当我们在浏览器输入URL [https://www.baidu.com][https_www.baidu.com]的时候，浏览器发送一个Request请求去  
    获取 [https://www.baidu.com][https_www.baidu.com] 的html文件，服务器把Response文件对象发送回给浏览器。
2.  浏览器分析Response中的HTML，发现其中引用了很多其他文件，比如Images文件，CSS文件，JS文件。浏览器会自动再次发送Request去获取图片，CSS文件，或者JS文件。
3.  当所有的文件都下载成功后，网页会根据HTML语法结构，完整的显示出来了。

**实际上我们通过学习爬虫技术爬取数据，也是向服务器请求数据,获取服务器响应数据的过程。**

[350249d5881f4d0fd5be7fe6ea132de6.png]: /images/20221021/65d9b704856a402b9af621f47e7ddb37.png
[https_www.taobao.com_robots.txt]: https://www.taobao.com/robots.txt
[https_www.baidu.com_robots.txt]: https://www.baidu.com/robots.txt
[c1af9c4a444658cd53e978c3cb735930.png]: /images/20221021/736cc82576384d288aba37aa08b3dc08.png
[03e7789828ab6489263e8dd1b344ca02.png]: /images/20221021/cde27071a5e648568030035a5b1e47c0.png
[https_www.baidu.com]: https://www.baidu.com/