爬虫浅析及实例操作

一、什么是爬虫呢
网络爬虫（又被称为网页支柱，网络机器人）是一种按照一定的规则，自动的抓取万维网信息的程序，可以理解为模拟客户端发送网络请求，接受请求对应的响应。

二、爬虫有哪些分类
根据使用场景，网络爬虫可分为 通用爬虫（General Purpose Web Crawler）和聚焦爬虫（Focused Web Crawler）两种。
通用爬虫是搜索引擎抓取系统的重要组成部分，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，通常指搜索引擎和大型 Web 服务提供商的爬虫。

聚焦爬虫 : 是针对特定网站的爬虫，定向的获取某方面数据的爬虫，可细分为以下：
累积式爬虫（Accumulative web crawler）：从开始到结束，不断爬取，过程中会进行去重操作
增量式爬虫 （Incremental Web Crawler）: 已 下 载 网 页 采 取 增 量式更新和只爬行新产生的或者已经发生变化网页的爬虫
深层网络爬虫（Deep Web Crawler） : 不能通过静态链接获取的、隐藏在搜索表单后的，只有用户提交一些关键词才能获得的 Web 页面

三、了解通用搜索引擎（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。

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对应的网页下载下来，存储进已下载网页库中，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，如图：

第二步：数据存储
搜索引擎通过爬虫爬取到的网页，将数据存入原始页面数据库。其中的页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页面时，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。

第四步：提供检索服务，网站排名