1. 爬虫的分类
根据被爬网站的数量的不同,我们把爬虫分为:
-
通用爬虫 :通常指搜索引擎的爬虫
-
聚焦爬虫 :针对特定网站的爬虫
2.爬虫的流程
请思考:如果自己要实现一个和百度新闻一样的网站需要怎么做?
2.1 聚焦爬虫的工作流程如下:
2.2 搜索引擎的工作流程如下:
但是搜索引擎类似的通用爬虫的工作流程有些不同
2.3 搜索引擎的局限性
- 通用搜索引擎所返回的网页里90%的内容无用。
- 图片、音频、视频多媒体的内容通用搜索引擎无能为力
- 不同用户搜索的目的不全相同,但是返回内容相同
3. robots协议
Robots协议:网站通过Robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取,但它仅仅是道德层面上的约束
例如 : 淘宝的robots协议