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、通用爬虫和聚焦爬虫
- 1、通用爬虫和聚焦爬虫工作流程
- 2、通用爬虫的的介绍
- 第一步:抓取网页
- 第二步:数据存储
- 第三步:预处理
- 第四步:提供检索服务,⽹站排名
- 3、聚焦爬虫的介绍
1、为什么要学习爬虫技术?
我们为什么要学习爬虫技术呢?因为我们现在来到了大数据时代,掌握了数据就是掌握了各种信息,从而开展我们的各项工作,我们所使用的的数据的来源有哪些呢?主要来自于下面几个方面:
(1)企业⽣产的⽤户数据
(2)数据管理咨询公司
(3)政府/机构提供的公开的数据
(4)第三⽅数据平台购买数据
(5)爬⾍爬取数据
所以,学习爬虫技术非常重要。
2、爬虫的定义
⽹络爬⾍(⼜被称为⽹⻚蜘蛛,⽹络机器⼈)就是模拟客户端发送⽹络请求,接收请求响应,⼀种按照⼀定的规则,⾃动地抓取互联⽹信息的程序。
只要是浏览器能做的事情,原则上,爬⾍都能够做。
3、爬虫的更多用途
(1)12306抢票
(2)⽹站上的投票
(3)短信轰炸(不建议)
4、爬虫怎么抓取网页上的数据?
1、网页三大特征:
- ⽹⻚都有⾃⼰唯⼀的URL
- ⽹⻚都是HTML来描述⻚⾯信息
- ⽹⻚都使⽤HTTP/HTTPS协议来传输HTML数据
2、爬虫的设计思路:
- 确定需要爬取的URL地址
- 通过HTTP/HTTPS协议获取对应的HTML⻚⾯
- 提取HTML⻚⾯有⽤的数据
5、为什么要选择Python做爬虫?
代码简介,开发效率⾼,⽀持的模块多,HTTP请求和HTML解析的模块丰富。
调⽤其他接⼝也⾮常⽅便。
6、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。
1、通用爬虫和聚焦爬虫工作流程
(1)通用爬虫:
通用爬虫的工作流程
(2)聚焦爬虫:
2、通用爬虫的的介绍
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⻚下载到本地,形成⼀个互联⽹内容的镜像备份。
通⽤搜索引擎(Search Engine)⼯作原理
通⽤⽹络爬虫从互联⽹中搜集⽹⻚,采集信息,这些⽹⻚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。
第一步:抓取网页
搜索引擎⽹络爬⾍的基本⼯作流程如下:
- ⾸先选取⼀部分的种⼦URL,将这些URL放⼊待抓取URL队列;
- 取出待抓取URL,解析DNS得到主机的IP,并将URL对应的⽹⻚下载下来,存储进已下载⽹⻚库中,并且将这些URL放进已抓取URL队列。
- 分析已抓取URL队列中的URL,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…
(1)搜索引擎如何获取⼀个新网站的URL: - 新⽹站向搜索引擎主动提交⽹址;
- 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)
- 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。
(2)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”(Robots Exclusion Protocol),⽹站通过Robots协议告诉搜索引擎哪些⻚⾯可以抓取,哪些⻚⾯不能抓取,例如:
淘宝⽹:https://www.taobao.com/robots.txt
腾讯⽹: http://www.qq.com/robots.txt
第二步:数据存储
搜索引擎通过爬⾍爬取到的网页,将数据存入原始⻚⾯数据库。其中的⻚⾯数据与⽤户浏览器得到的HTML是完全⼀样的。
搜索引擎蜘蛛在抓取⻚⾯时,也做⼀定的重复内容检测,⼀旦遇到访问权重很低的⽹站上有⼤量抄袭、采集或者复制的内容,很可能就不再爬⾏。
第三步:预处理
搜索引擎将爬⾍抓取回来的⻚⾯,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
第四步: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。
同时会根据⻚⾯的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。
3、聚焦爬虫的介绍
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: 聚焦爬⾍在实施⽹⻚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⻚信息。
什么是网络爬虫以及通用爬虫和聚焦爬虫的介绍相关推荐
- 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(Baid ...
- 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 ...
- 物联网卡网络是全国通用的吗?
物联网卡相信大家都不陌生,随着物联网技术的不断运用,物联网卡也开始出现在我们的面前,物联网卡是什么?物联网卡网络是全国通过的吗?这些问题也成为很多人关注并咨询的焦点,接下来,小编针对物联网卡的常见问题 ...
- 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 ...
- 【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 ...
- 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 ...
- 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 ...
- 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 ...
最新文章
- linux系统下设置oracle开机自动启动
- python什么是高阶函数_说说 Python 中的高阶函数
- window下ffmpeg的编译
- MySQL备份恢复工具xtrabackup
- 计算机表演赛新疆赛区,【图】第二十六届中国儿童青少年威盛中国芯HTC计算机表演赛“中国电信天翼杯”新疆赛区总决赛圆满结束_乌鲁木齐教育信息网...
- 《软件需求分析(第二版)》第 12 章——需求确认 重点部分总结
- android launcher 字体大小,Android6.0 Launcher3 修改app字体大小
- Akka相关术语 译《fifteen》
- java属性和普通方法
- 软件基本功:避免难度写法,代码简单易懂才是高手
- 【Android 】【Monkey Demons】 针对性的进行稳定性测试
- 热门的Linux运维管理面板全面汇总
- 还在担心找不到驱动程序吗?driveridentifier三步帮你解决所有
- windows, macos 和 linux 各平台的哈希校验方法汇总
- 网站老是被劫持怎么办、网站被劫持的解决方案有哪些
- 一个简单的jxl文件上传功能
- 尚硅谷谷粒商城第十二天 商品详情页及异步编排
- sql server之T-SQL语句创建数据库创建表
- 网课视频禁止倍速和快进
- php面试题4---php面试题系列
热门文章
- 蓝牙4.0BLE中协议栈详解
- oracle reco进程停止,ORA-01089 数据库无法正常关闭
- 青云云服务器怎么改系统,青云QingCloud沈鸥:企业应用如何往云端迁移?
- html图片长高如何设置,快速长高的方法 教你一个动作暴长10cm
- 微型计算机的使用寿命,PC产品的MTBF和寿命:用户怎么去选择。
- 哥德巴赫猜想python版
- Java核心技术----枚举类型与泛型
- php如何运行vbs文件,HTML_用vbs实现在启动 Windows 资源管理器时打开特定文件夹,my-script.vbs c:\scripts 在文件夹 - phpStudy...
- 通过深度学习实现安全帽佩戴的检测
- 编程语言与数据库的关系