1.爬虫概述
爬虫过程:发送请求,获取网页源码信息;解析网页信息,提取有用数据;保存数据。
2.爬虫类型
通用网络爬虫、聚焦网络爬虫(主题网络爬虫)、增量式网络爬虫、深层网络爬虫。
2.1 通用网络爬虫
爬取海量数据,主要作用于搜索引擎。
组成:初始URL集合、URL队列、页面爬行模块、页面分析模块、页面数据库、链接过滤模块等构成。
爬行策略:深度优先和广度优先。
2.2聚焦网络爬虫(主题网络爬虫)
根据预先定义好的有选择性地进行页面爬取的一种爬虫,将爬取的目标网页定位与主题相关的页面中。是特定信息的爬取。
组成:初始URL集合、URL队列、页面爬行模块、页面分析模块、页面数据库、链接过滤模块、内容评价模块、链接评价模块等构成
内容评价模块:可以评价内容的重要性
链接评价模块:可以链接的重要性
根据链接和内容的重要性,可以确定那些页面可以优先访问。
爬行策略:基于评价内容的爬行策略、基于链接评价的爬行策略、基于增强学习的爬行策略、基于语境图的爬行策略。