爬蟲 (四) 必須掌握的基礎概念 (一)
- 2019 年 12 月 10 日
- 筆記
01
爬蟲分類
根據實際應該場景，可以分為通用爬蟲和聚焦爬蟲
02
通用爬蟲
所謂的通用爬蟲就是指現在的搜索引擎（Google，雅虎，百度）主要的構成部分，主要是互聯網的網頁爬取下來存於本地，形成備份
03
搜索引擎的工作原理
通用網路爬蟲 從互聯網中搜集網頁，採集資訊，這些網頁資訊用於為搜索引擎建立索引從而提供支援，它決定著整個引擎系統的內容是否豐富，資訊是否即時，因此其性能的優劣直接影響著搜索引擎的效果
第一步：抓取網頁
搜索引擎網路爬蟲的基本工作流程如下：
- 首先選取一部分的種子URL，將這些URL放入待抓取URL隊列；
- 取出待抓取URL，解析DNS得到主機的IP，並將URL對應的網頁下載下來，存儲進已下載網頁庫中，並且將這些URL放進已抓取URL隊列。
- 分析已抓取URL隊列中的URL，分析其中的其他URL，並且將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. 在其他網站上設置新網站外鏈（儘可能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）合作，新網站域名將被迅速抓取。
但是搜索引擎蜘蛛的爬行是被輸入了一定的規則的，它需要遵從一些命令或文件的內容，如標註為nofollow的鏈接，或者是Robots協議。
Robots協議（也叫爬蟲協議、機器人協議等），全稱是「網路爬蟲排除標準」（Robots Exclusion Protocol），網站通過Robots協議告訴搜索引擎哪些頁面可以抓取，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
搜索引擎通過爬蟲爬取到的網頁，將數據存入原始頁面資料庫。其中的頁面數據與用戶瀏覽器得到的HTML是完全一樣的
搜索引擎蜘蛛在抓取頁面時，也做一定的重複內容檢測，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，很可能就不再爬行
第三步：預處理
搜索引擎將爬蟲抓取回來的頁面，進行各種步驟的預處理
- 提取文字
- 中文分詞
- 消除噪音（比如版權聲明文字、導航條、廣告等……）
- 索引處理
- 鏈接關係計算
- 特殊文件處理
- ….
除了HTML文件外，搜索引擎通常還能抓取和索引以文字為基礎的多種文件類型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我們在搜索結果中也經常會看到這些文件類型
但搜索引擎還不能處理圖片、影片、Flash 這類非文字內容，也不能執行腳本和程式
第四步：提供檢索服務，網站排名
搜索引擎在對資訊進行組織和處理後，為用戶提供關鍵字檢索服務，將用戶檢索相關的資訊展示給用戶
同時會根據頁面的PageRank值（鏈接的訪問量排名）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，當然也可以直接使用 Money 購買搜索引擎網站排名，簡單粗暴
但是，這些通用性搜索引擎也存在著一定的局限性：
- 通用搜索引擎所返回的結果都是網頁，而大多情況下，網頁里90%的內容對用戶來說都是無用的。
- 不同領域、不同背景的用戶往往具有不同的檢索目的和需求，搜索引擎無法提供針對具體某個用戶的搜索結果。
- 萬維網數據形式的豐富和網路技術的不斷發展，圖片、資料庫、音頻、影片多媒體等不同數據大量出現，通用搜索引擎對這些文件無能為力，不能很好地發現和獲取。
- 通用搜索引擎大多提供基於關鍵字的檢索，難以支援根據語義資訊提出的查詢，無法準確理解用戶的具體需求。
針對這些情況，聚焦爬蟲技術得以廣泛使用。
04
聚焦爬蟲
聚焦爬蟲，是"面向特定主題需求"的一種網路爬蟲程式，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，盡量保證只抓取與需求相關的網頁資訊。
