爬虫的认知
爬虫初衷
爬虫最初就是用来生成搜索引擎索引数据库
爬虫分类
善意爬虫:爬取公开信息,且不运行服务器运行
恶意爬虫:
1.干扰被访网站的运行
2.爬取被法律保护的信息
爬虫分类
(1)通用爬虫
通用爬虫:抓取互联网页面全部信息
1.该类适合搜索广泛主题
2.深度优先:按照深度由底到高,依次访问下一级,直到无法访问。
3.广度优先: 按照网页内容目录的深浅,由浅层到深的爬取。当同一层爬行完毕后才进入下一次。
(2)聚焦爬虫
聚焦爬虫:抓取互联网页面特点内容
1.基于内容评价的爬行:以输入的查询词为主题,包含该查询词页面视为与主题相关页面
2.基于链接结构评价的爬行: 较为广泛的
3.基于增强学习的爬行: 利用结构特征来评价页面和链接的重要性
4.基于语境图的爬行: 通过建立语境图学习网页之间的相关度的爬行策略
(3)增量式爬虫
增量式爬虫:检测网站更新情况,对已下载网页采取增量式更新,只爬取新产生以及发生变化的网页
1.统一更新法: 以相同的频率访问所有网页,不受网页频率改变的影响
2.个体更新法: 根据个体网页的改变重新决定频率
3。基于分类的更新法: 根据网页更新的快慢来设定不同的频率来访问