簡單學(xué)習(xí)網(wǎng)絡(luò)爬蟲(通用爬蟲).doc

根據(jù)使用場景，網(wǎng)絡(luò)爬蟲可分通用爬蟲和聚焦爬蟲兩種，今天廣州中軟卓越只講通用爬蟲。通用網(wǎng)絡(luò)爬蟲是捜索引擎抓取系統(tǒng)（Baidu、Google、Yahoo等）的重要組成部分，主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁下載到本地，形成一個互聯(lián)網(wǎng)內(nèi)容的鏡像備份。通用搜索引擎（Search Engine）工作原理通用網(wǎng)絡(luò)爬蟲是從互聯(lián)網(wǎng)中搜集網(wǎng)頁，采集信息，采集的網(wǎng)頁信息用于為搜索引擎建立索引從而提供支持，決定著整個引擎系統(tǒng)的內(nèi)容是否豐富，信息是否即時，因此其性能的優(yōu)劣直接影響著搜索引擎的效果。步驟一：抓取網(wǎng)頁搜索引擎網(wǎng)絡(luò)爬蟲的基本工作流程如下：1、首先選取一部分種子URL，將這些種子放入待抓取URL隊列；2、取出待抓取URL，解析DNS得到主機的IP，并將URL對應(yīng)的網(wǎng)頁下載下來，存儲進已下載網(wǎng)頁庫中，再將這些URL放進已抓取URL隊列。3、將已抓取URL隊列中的URL進行分析，分析其中的其他URL，并且將URL放入待抓取URL隊列，從而進入下一個循環(huán).搜索引擎如何獲取一個新網(wǎng)站的URL：1、新網(wǎng)站向搜索引擎主動提交網(wǎng)址2、在其他網(wǎng)站上設(shè)置新網(wǎng)站外鏈（盡可能處于搜索引擎爬蟲爬取范圍）3、搜索引擎和DNS解析服務(wù)商(如DNSPod等）合作，新網(wǎng)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(guī)則的，它需要遵從一些命令或文件的內(nèi)容，如標(biāo)注為nofollow的鏈接，或者是Robots協(xié)議。（Robots協(xié)議（也叫爬蟲協(xié)議、機器人協(xié)議等），全稱是“網(wǎng)絡(luò)爬蟲排除標(biāo)準(zhǔn)”（Robots Exclusion Protocol），網(wǎng)站通過Robots協(xié)議告訴搜索引擎哪些頁面可以抓取，哪些頁面不能抓?。┎襟E二：數(shù)據(jù)存儲搜索引擎通過爬蟲爬取到的網(wǎng)頁，將數(shù)據(jù)存入原始頁面數(shù)據(jù)庫。其中的頁面數(shù)據(jù)與用戶瀏覽器得到的HTML是一致的。搜索引擎蜘蛛在抓取頁面的同時，也做一定的重復(fù)內(nèi)容檢測，一旦遇到訪問權(quán)重很低的網(wǎng)站上有大量抄襲、采集或者復(fù)制的內(nèi)容，很可能不再爬行。步驟三：預(yù)處理搜索引擎將爬蟲抓取回來的頁面，進行各種步驟的預(yù)處理。提取文字中文分詞消除噪音（比如版權(quán)聲明文字、導(dǎo)航條、廣告等）索引處理鏈接關(guān)系計算特殊文件處理除HTML文件外，搜索引擎通常還能抓取和索引以文字為基礎(chǔ)的多種文件類型，如PDF、Word、WPS、XLS、PPT、TXT文件等。但目前搜索引擎還不能處理圖片、視頻、Flash這類非文字內(nèi)容，也不能執(zhí)行腳本和程序。步驟四：提供檢索服務(wù)，網(wǎng)站排名搜索引擎在對信息進行組織和處理后，為用戶提供關(guān)鍵字檢索服務(wù)，將用戶檢索相關(guān)的信息展示給用戶。同時會根據(jù)頁面的PageRank值，也就是鏈接的訪問量排名，來進行網(wǎng)站排名，Rank值高的網(wǎng)站在搜索結(jié)果中會排名較前，當(dāng)然如果你有錢任性，也可以簡單粗暴直接購買網(wǎng)站排名。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(jié)果都是網(wǎng)頁，而大多情況下，網(wǎng)頁里90%的內(nèi)容對用戶來說都是無用的。不同領(lǐng)域、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(jié)果。萬維網(wǎng)數(shù)據(jù)形式的豐富和網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，圖片、數(shù)據(jù)庫、音頻、視頻多媒體等不同數(shù)據(jù)大量出現(xiàn)，通用搜索引擎對這些文件無能為力，不能很好地發(fā)現(xiàn)和獲取。通用搜索引擎大多提供基于關(guān)鍵字