1 什么是网络爬虫
网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),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。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
上面是百度百科的定义,网络爬虫其实就是指,在现有的互联网中,各个终端设备间构造成了一个像蜘蛛网络一样的东西,程序通过一定的逻辑或者是自定义的方式访问每个节点的数据,这段程序被称作为网络爬虫。
2 网络爬虫的基本结构
爬虫的基本结构框架流程图如下:
网络爬虫的基本框架如下:
1 首先需要一个已知的种子url库
2 读取已知的种子url集合到带抓取集合中
3 抓取线程读取带抓取集合中的种子url,进行抓取解析
4 将解析到的结果存储到指定的位置中
5 将抓取过的url插入到已抓取的队列中
3 网络爬虫的抓取策略
1 宽度优先遍历策略
宽度优先遍历策略是最简单的遍历方式,爬虫通过抓取种子url,解析到需要的链接地址后,将这个链接地址直接添加到带抓取的url队列中
具体的抓取顺序为: A -> B -> C -> D -> E -> F
2 深度优先遍历策略
深度优先遍历策略主要是通过抓取种子url后,对新抓到的链接地址立即进行抓取,知道