简单学习网络爬虫(通用爬虫).doc

《简单学习网络爬虫(通用爬虫).doc》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、根据使用场景，网络爬虫可分通用爬虫和聚焦爬虫两种，今天广州中软卓越只讲通用爬虫。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（SearchEngine）工作原理通用网络爬虫是从互联网中搜集网页，采集信息，采集的网页信息用于为搜索引擎建立索引从而提供支持，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。步骤一：抓取网页搜索引擎网络爬虫的基本工作流程如下：1、首

2、先选取一部分种子URL，将这些种子放入待抓取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，再将这些URL放进已抓取URL队列。3、将已抓取URL队列中的URL进行分析，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....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

3、。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”（RobotsExclusionProtocol），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）步骤二：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是一致的。搜索引擎蜘蛛在抓取页面的同时，也做一定的重复内容检测，一旦遇到访问权

4、重很低的网站上有大量抄袭、采集或者复制的内容，很可能不再爬行。步骤三：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。但目前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。步骤四：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

5、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，也就是链接的访问量排名，来进行网站排名，Rank值高的网站在搜索结果中会排名较前，当然如果你有钱任性，也可以简单粗暴直接购买网站排名。但是，这些通用性搜索引擎也存在着一定的局限性：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。不同领域、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。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

6、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。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。好了，关于通用性搜索引擎我们就讲到这里，有机会的话在讲讲聚焦爬虫的知识点。