Python 爬蟲從入門到進階之路（一）

通用爬蟲和聚焦爬蟲

根據使用場景，網絡爬蟲可分爲 通用爬蟲 和 聚焦爬蟲 兩種.

通用爬蟲

通用網絡爬蟲 是 捜索引擎抓取系統（Baidu、Google、Yahoo等）的重要組成部分。主要目的是將互聯網上的網頁下載到本地，造成一個互聯網內容的鏡像備份。

通用搜索引擎（Search Engine）工做原理

通用網絡爬蟲 從互聯網中搜集網頁，採集信息，這些網頁信息用於爲搜索引擎創建索引從而提供支持，它決定着整個引擎系統的內容是否豐富，信息是否即時，所以其性能的優劣直接影響着搜索引擎的效果。

第一步：抓取網頁

搜索引擎網絡爬蟲的基本工做流程以下：

1. 首先選取一部分的種子URL，將這些URL放入待抓取URL隊列；

2. 取出待抓取URL，解析DNS獲得主機的IP，並將URL對應的網頁下載下來，存儲進已下載網頁庫中，而且將這些URL放進已抓取URL隊列。

3. 分析已抓取URL隊列中的URL，分析其中的其餘URL，而且將URL放入待抓取URL隊列，從而進入下一個循環....

搜索引擎如何獲取一個新網站的URL：

1. 新網站向搜索引擎主動提交網址：（如百度http://zhanzhang.baidu.com/linksubmit/url）

2. 在其餘網站上設置新網站外鏈（儘量處於搜索引擎爬蟲爬取範圍）

3. 搜索引擎和DNS解析服務商(如DNSPod等）合做，新網站域名將被迅速抓取。

可是搜索引擎蜘蛛的爬行是被輸入了必定的規則的，它須要聽從一些命令或文件的內容，如標註爲nofollow的連接，或者是Robots協議。

Robots協議（也叫爬蟲協議、機器人協議等），全稱是「網絡爬蟲排除標準」（Robots Exclusion Protocol），網站經過Robots協議告訴搜索引擎哪些頁面能夠抓取，哪些頁面不能抓取，例如：

淘寶網：https://www.taobao.com/robots.txt

騰訊網： http://www.qq.com/robots.txt

第二步：數據存儲

搜索引擎經過爬蟲爬取到的網頁，將數據存入原始頁面數據庫。其中的頁面數據與用戶瀏覽器獲得的HTML是徹底同樣的。

搜索引擎蜘蛛在抓取頁面時，也作必定的重複內容檢測，一旦遇到訪問權重很低的網站上有大量抄襲、採集或者複製的內容，極可能就再也不爬行。

第三步：預處理

搜索引擎將爬蟲抓取回來的頁面，進行各類步驟的預處理。

• 提取文字
• 中文分詞
• 消除噪音（好比版權聲明文字、導航條、廣告等……）
• 索引處理
• 連接關係計算
• 特殊文件處理
• ....

除了HTML文件外，搜索引擎一般還能抓取和索引以文字爲基礎的多種文件類型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。咱們在搜索結果中也常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，也不能執行腳本和程序。

第四步：提供檢索服務，網站排名

搜索引擎在對信息進行組織和處理後，爲用戶提供關鍵字檢索服務，將用戶檢索相關的信息展現給用戶。

同時會根據頁面的PageRank值（連接的訪問量排名）來進行網站排名，這樣Rank值高的網站在搜索結果中會排名較前，固然也能夠直接使用 Money 購買搜索引擎網站排名，簡單粗暴。

可是，這些通用性搜索引擎也存在着必定的侷限性：

1. 通用搜索引擎所返回的結果都是網頁，而大多狀況下，網頁裏90%的內容對用戶來講都是無用的。

2. 不一樣領域、不一樣背景的用戶每每具備不一樣的檢索目的和需求，搜索引擎沒法提供針對具體某個用戶的搜索結果。

3. 萬維網數據形式的豐富和網絡技術的不斷髮展，圖片、數據庫、音頻、視頻多媒體等不一樣數據大量出現，通用搜索引擎對這些文件無能爲力，不能很好地發現和獲取。

4. 通用搜索引擎大多提供基於關鍵字的檢索，難以支持根據語義信息提出的查詢，沒法準確理解用戶的具體需求。

針對這些狀況，聚焦爬蟲技術得以普遍使用。

聚焦爬蟲

聚焦爬蟲，是"面向特定主題需求"的一種網絡爬蟲程序，它與通用搜索引擎爬蟲的區別在於： 聚焦爬蟲在實施網頁抓取時會對內容進行處理篩選，儘可能保證只抓取與需求相關的網頁信息。

而咱們從此要學習的，就是聚焦爬蟲。