#网络爬虫
结论:网络爬虫,又称为网页蜘蛛、网络机器人,是一种按照一定的规则,自动请求万维网网站并提取网络数据的程序或脚本
爬虫的分类
1通用网络爬虫:爬取互联网上所有的资源
2聚焦网络爬虫:又称,主题网络爬虫。只选择性地爬取根据需求主题相关页面。
3增量式网络爬虫:只爬取新产生和发生变化的网页。
4深层网络爬虫:大部分内容不能通过静态的URL获取、隐藏在搜索表单后的、只有用户一些关键词才能获得网络页面。
爬虫抓取网页的详细流程
"""
(1) 首先选取一些网页,将这些网页的链接地址作为种子URL;
(2) 将这些种子URL放入到待抓取URL队列中;
(3) 爬虫从待抓取URL队列(队列先进先出)中依次读取URL,并通过DNS解析URL,把链接地址转换为网站服务器所对应的IP地址;
(4) 将IP地址和网页相对路径名称交给网页下载器,网页下载器负责页面内容的下载;
(5) 网页下载器将相应网页的内容下载到本地;
(6) 将下载到本地的网页存储到页面库中,等待建立索引等后续处理;与此同时将下载过网页的URL放入到已抓取URL队列中,这个队列记载了爬虫系统已经下载过的网页URL,以避免网页的重复抓取;
(7) 对于刚刚下载的网页,从中抽取出所包含的所有链接信息,并在已抓取URL中检查其是否被抓取过,如果还未被抓取过,则将这个URL放入到待抓取URL队列中;
(8) 下载被放入待抓取URL队列中的URL对应的网页,如此重复3-7,形成循环,直到待抓取URL队列为空。
对于爬虫来说,往往还需要进行网页去重及网页反作弊。
"""
robots.txt文件
robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。当一个搜索蜘蛛访问一个站点时,它会首先检查该站点根目录下是否存在robots.txt,如果存在,搜索机器人就会按照该文件中的内容来确定访问的范围;如果该文件不存在,所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。
防爬虫应对策略
1