网络爬虫--1.通用爬虫和聚焦爬虫
文章目录
- 一.前言
- 二.通用爬虫
- 1.工作原理
- 2.通用爬虫的局限性
- 三.聚焦爬虫
一.前言
根据使用场景，网络爬虫可分为 通用爬虫 和 聚焦爬虫 两种。
其中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。
二.通用爬虫
1.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。
（1）抓取网页：通过搜索引擎将待爬取的url加入到通用爬虫的url队列中，进行网页内容的爬取
（2）数据存储：将爬取下来的网页保存到本地，这个过程会有一定的去重操作，如果某个网页的内 容大部分内容都会重复，搜索引擎可能不会保存。
（3）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）。
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。
（4）设置网站排名，为用户提供服务。
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。
2.通用爬虫的局限性
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、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。
三.聚焦爬虫
针对这些情况，聚焦爬虫技术得以广泛使用。
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网络爬虫，就是聚焦爬虫。
网络爬虫--1.通用爬虫和聚焦爬虫相关推荐
- python通用爬虫和聚焦爬虫的区别
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 ...
- 【爬虫学习笔记day03】1.1. (了解)通用爬虫和聚焦爬虫+通用搜索引擎（Search Engine）工作原理+聚焦爬虫
文章目录 1.1. (了解)通用爬虫和聚焦爬虫 通用爬虫和聚焦爬虫 通用爬虫 通用搜索引擎(Search Engine)工作原理 第一步:抓取网页 搜索引擎如何获取一个新网站的URL: 1. 新网站向 ...
- 爬虫分类——通用网络爬虫、聚焦网络爬虫、增量式网络爬虫、深层网络爬虫
爬虫分类 网络爬虫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.聚焦网络爬虫.增量式网络爬虫.深层网络爬虫. 实际的网络爬虫系统通常是几种爬虫技术相结合实现的 通用网络爬虫 通用网络 ...
- 什么是网络爬虫以及通用爬虫和聚焦爬虫的介绍
什么是网络爬虫 1.为什么要学习爬虫技术? 2.爬虫的定义 3.爬虫的更多用途 4.爬虫怎么抓取网页上的数据? 1.网页三大特征: 2.爬虫的设计思路: 5.为什么要选择Python做爬虫? 6.通用 ...
- 爬虫（一）：爬虫的基础知识 ---通用爬虫和聚焦爬虫，http和https协议，常见的响应状态码
一.爬虫的定义 网络爬虫是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本. 二.爬虫可以解决的问题 解决冷启动问题 搜索引擎的根基. -通用爬虫 帮助机器学习建立知识图谱 制作各种比价软件 三 ...
- 聚焦爬虫与通用爬虫详解
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 ...
- Python网络爬虫与聚焦爬虫，如何用爬虫爬取段子
一.网络爬虫 Python爬虫开发工程师,从网站某一个页面(通常是首页)开始,读取网页的内容,找到在网页中的其它链接地址,然后通过这些链接地址寻找下一个网页,这样一直循环下去,直到把这个网站所有的网页 ...
- 【通用技术】2个月精通Python爬虫——3大爬虫框架+6场实战+分布式爬虫，包教包会...
网络爬虫(又被称为网页蜘蛛,网络机器人),是一种按照一定的规则,自动的抓取信息的程序或者脚本. 网络爬虫是互联网上进行信息采集的通用手段,在互联网的各个专业方向上都是不可或缺的底层技术支撑.本课程从爬 ...
- 实际的网络爬虫系统通常是几种爬虫技术相结合实现的。
分类 网络爬虫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(General Purpose Web Crawler).聚焦网络爬虫(Focused Web Crawler).增量式网 ...
最新文章
- php session_start() 非常慢,PHP session_start()很慢问题分析与解决办法
- 当AI黑科技撞上大数据日：清华大学第四届大数据日成功举办
- 思科防火墙nat-control的作用
- 20211005 Hermite矩阵及几个性质
- Android是否会因低价打败iPhone
- STM8S103 PB4和PB5
- 如何搭建Electron开发环境
- 【转】先说IEnumerable，我们每天用的foreach你真的懂它吗？
- java html entity encoding,实体“HTML.Version”的声明必须以''结尾
- 帝国cms listinfo.php,帝国CMS动态列表应用之在列表中显示指定的会员组会员发布的信息...
- echarts map 点击地图区域变色_pyecharts 地图可视化
- 算法：指定位置翻转链表 rotate-list
- Web基础配置篇（八）: 远程操作工具、命令的介绍、安装及基本使用
- 鼎捷ERP易飞9.0.8实战课程-卓致羽-专题视频课程
- new一个对象的过程中发生了什么？
- 在国产系统（Linux）上，安装运行Steam游戏详解
- linux键盘输入空格失效,电脑键盘空格键失灵不能用如何修复
- Matlab数字图像处理学习记录【9】——表示与描述
- java增删改查 jsp生成_jsp+servlet实现最简单的增删改查代码分享
- 【问题解决】springboot启动后一小会就自动停止，提示Process finished with exit code 0