1.1.(了解)通用爬虫和聚焦爬虫

bighua123 bighua123     2022-10-13     168

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....

    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

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。

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

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

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

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

通用爬虫模块使用(上)(代码片段)

一:爬虫的流程爬虫的分类爬虫分为两种:通用爬虫和聚焦爬虫通用爬虫:通常指搜索引擎的爬虫聚焦爬虫:针对特定网站的爬虫两种爬虫的工作流程二:HTTP与HTTPSURL的形式:HTTP请求形式:HTTP常用请... 查看详情

spider-聚焦爬虫与通用爬虫的区别(代码片段)

...位信息岗位信息7.舆情各大论坛社会群体感知,舆论导向通用爬虫通用爬虫:搜索引擎用的爬虫系统。搜索引擎和web服务商提供的爬虫。目标:就是尽可能的;把互联网上的所有的网页下载下来,放到本地服务器里形成备分,在... 查看详情

速学爬虫

...规则提取有价值的数据。  2.专业介绍:百度百科。 通用爬虫和聚焦爬虫:  1.通用爬虫:通用爬虫是搜索引 查看详情

爬虫入门

...分类  根据被爬网站的数量不同,我们把爬虫分为 通用爬虫:通常指搜索引擎的爬虫 聚焦爬虫:针对特定网站的爬虫  聚焦 查看详情

网络爬虫简介

...py-redis框架让我们开发爬虫变得异常简单。爬虫分类:1,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。2,聚焦爬虫:聚焦爬虫指针对某一领... 查看详情

网络爬虫基础一

爬虫的分类按使用场景:通用爬虫:指搜索引擎的爬虫聚焦爬虫:指针对特定网站的爬虫聚焦爬虫又可以分为大致3种:累积式爬虫:从开始到结束,一直不断爬取,过程中会进行去重操作;增量式爬虫:对已经下载的网页采取增量... 查看详情

爬虫初识(代码片段)

...器发送请求,让其去网络上抓去数据的过程。爬虫分类?通用爬虫抓取整张网页的全部内容聚焦爬虫抓去一张页面的部分内容通用爬虫和聚焦爬虫的关联:聚焦是建立在通用爬虫的基础上增量式监测网站数据的更新情况,以便将... 查看详情

爬虫入门(代码片段)

...按照系统结构和实现技术,大致可以分为以下几种类型:通用网络爬虫(GeneralPurposeWebCrawler)、聚焦网络爬虫(FocusedWebCrawler)、增量式网络爬虫(IncrementalWeb 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

爬虫的基本知识

...据中的一本分,目标数据--->数据解析来实现的  #通用爬虫:爬虫程序.爬取数据为搜索引擎提供检索服务#通用爬虫架构:如下图#使搜索引擎获取到你的网站:1).主动提交:https://ziyuan.baidu.com/linksubmit/url2).设置友情链接3).搜索... 查看详情

python爬虫之正则表达式(代码片段)

...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

爬虫涉及的知识体系(代码片段)

...定义:所谓爬虫就是指:可以获取网页信息的程序又分为通用爬虫和聚焦爬虫1)通用爬虫: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... 查看详情

爬虫学习—疫情篇(代码片段)

...;总结一下吧黑马课程一、理论 1、爬虫的分类:   通用爬虫:搜索引擎的爬虫   聚焦爬虫:针对特定网站的爬虫可以看出来了,我们一般用的都是聚焦爬虫吧 2、聚焦爬虫的工作流程:   (1)... 查看详情

爬虫概述

1.目录清单爬虫简介通用爬虫和聚焦爬虫网络请求那些事儿网络数据抓包分析2.章节内容2.1.爬虫简介在各行各业如火如荼快速发展的今天,市场是决定一家公司是否可持续发展最重要的一个衡量指标,市场的定位和发展核心是对... 查看详情