正文 

当前位置： 首页 > 代码 > java教程

爬虫原理与数据抓取-----（了解）通用爬虫和聚焦爬虫(代码片段)

joshuazc joshuazc     2023-01-07     363

关键词：

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...

  4. 技术分享图片技术分享图片

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）
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

腾讯网： 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。技术分享图片

 

技术分享图片

课外阅读：Google搜索引擎的工作原理

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。

python零基础入门爬虫原理与数据抓取-通用爬虫和聚焦爬虫(代码片段)

​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... 查看详情

1.1.(了解)通用爬虫和聚焦爬虫

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... 查看详情

聚焦爬虫与通用爬虫的区别

为什么要学习爬虫？学习爬虫，可以私人订制一个搜索引擎。大数据时代，要进行数据分析，首先要有数据源。对于很多SEO从业者来说，从而可以更好地进行搜索引擎优化。什么是网络爬虫？模拟客户端发送网络请求，接收请求... 查看详情

spider-聚焦爬虫与通用爬虫的区别(代码片段)

为什么要学习爬虫？学习爬虫，可以私人订制一个搜索引擎。大数据时代，要进行数据分析，首先要有数据源。对于很多SEO从业者来说，从而可以更好地进行搜索引擎优化。什么是网络爬虫？模拟客户端发送网络请求，接收请求... 查看详情

速学爬虫

爬虫前奏　爬虫实例：　　1.搜索引擎（百度、谷歌、360搜索等）。　　2.伯乐在线。　　3.惠惠购物助手。　　4.数据分析与研究（数据冰山知乎专栏）。　　5.抢票软件等。　什么是网络爬虫：　　1.通俗理解：爬虫是一个模拟... 查看详情

爬虫--1

Python非常适合用来开发网页爬虫，理由如下：1、抓取网页本身的接口相比与其他静态编程语言，如java，c#，c++，python抓取网页文档的接口更简洁；相比其他动态脚本语言，如perl，shell，python的urllib包提供了较为完整的访问网页... 查看详情

爬虫的基本知识

#聚焦爬虫的设计思路:1.确定url,发起请求,获取响应--->抓包,requests,urllib,aiohttp,scrapy2.数据解析-->目标数据,xpath,re正则,bs4,pyquery3.数据持久化-->文件系统,数据库-->MySQL,MongoDB,redis-->介绍,数据类型,常用操作:增删改查,主从复... 查看详情

网络爬虫简介

爬虫简介：网络爬虫是按照一定的规则，自动的抓取万维网信息的程序或者脚本。各编程语言编写爬虫程序：1，PHP：PHP是世界是最好的语言，但他天生不是做这个的，而且对多线程、异步支持不是很好，并发处理能力弱。爬虫... 查看详情

通用爬虫和聚焦爬虫

爬虫分为两个领域：聚焦爬虫和通用爬虫。通用爬虫：　　搜索引擎用的爬虫系统。目标：　　搜索互联网所有的信息下载下来，放到本地服务器，再对这些网页进行相关处理，提取关键字什么的，最终给用户提供一个检索的接... 查看详情

一篇了解爬虫技术方方面面

原理 传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。聚焦爬虫的工作流程较为复杂，需要根据一定的网页分析... 查看详情

爬虫初入

什么是爬虫？爬虫就是通过编写程序模拟浏览器上网，然后让其去互联网上抓取数据的过程。爬虫的分类通用爬虫　　通用爬虫是搜索引擎“抓取系统”的重要组成部分，主要目的是将互联网上的内容下载到本地，形成一... 查看详情

网络爬虫的几种常见类型

常见的优秀网络爬虫有一下几种类型：1.批量型网络爬虫：限制抓取的属性，包括抓取范围，特定目标，限制抓取时间，限制数量以及相知抓取页面，总之明显的特征就是受限，2.增量网络爬虫（通用爬虫）：与前者相反，没有... 查看详情

python学习之爬虫理论总结

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。... 查看详情

python爬虫之正则表达式(代码片段)

Python爬虫之正则表达式0.介绍爬虫的分类：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&... 查看详情

python爬虫编程思想（161）：scrapy中的通用爬虫

        我们已经讲解的爬虫都是抓取一个或几个页面，然后分析页面中的内容，这种爬虫可以称为专用爬虫，通常是用来抓取特定页面中感兴趣的内容，例如，某个城市的天气预报信息，或特定商品... 查看详情

python爬虫编程思想（161）：scrapy中的通用爬虫

        我们已经讲解的爬虫都是抓取一个或几个页面，然后分析页面中的内容，这种爬虫可以称为专用爬虫，通常是用来抓取特定页面中感兴趣的内容，例如，某个城市的天气预报信息，或特定商品... 查看详情

爬虫原理与数据抓取-----requests模块(代码片段)

Requests:让HTTP服务人类虽然Python的标准库中urllib2模块已经包含了平常我们使用的大多数功能，但是它的API使用起来让人感觉不太好，而Requests自称“HTTPforHumans”，说明使用更简洁方便。Requests唯一的一个非转基因的PythonHTTP库，人... 查看详情

爬虫入门

爬虫的定义什么是爬虫？ 　　　　爬虫(又被称为网页蜘蛛，网络机器人)就是模拟客户端发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。　　　　原则上，只要是浏览器(客户端)能做的... 查看详情