常见网络爬虫的类型

1.通用网络爬虫（General Purpose Web Crawler）

•  爬取目标资源在全互联网中，爬取目标数据巨大。对爬取性能要求非常高。应用于大型搜索引擎中，有非常高的应用价值。
• 通用网络爬虫的基本构成：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。
• 通用网络爬虫的爬行策略：主要有深度优先爬行策略和广度优先爬行策略。

2.聚焦网络爬虫（Focused Crawler）

• 将爬取目标定位在与主题相关的页面中
• 主要应用在对特定信息的爬取中，主要为某一类特定的人群提供服务
• 聚焦网络爬虫的基本构成：初始URL,URL队列，页面爬行模块，页面分析模块，页面数据库，连接过滤模块，内容评价模块，链接评价模块等构成

• 聚焦网络爬虫的爬行策略：

基于内容评价的爬行策略

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

关于聚焦网络爬虫具体的爬行策略

3.增量式网络爬虫（Incremental Web Crawler）

• 增量式更新指的是在更新的时候只更新改变的地方，而未改变的地方则不更新
• 只爬取内容发生变化的网页或者新产生的网页，
• 一定程度上能保证所爬取的网页，尽可能是新网页

4.深层网络爬虫（Deep Web Crawler）

• 表层网页：不需要提交表单，使用静态的链接就能够到达的静态网页​​​​​​​​​​​​​​
• 深层网页：隐藏在表单后面，不能通过静态链接直接获得，是需要提交一定的关键词之后才能够获取得到的网页。
• 深层网络爬虫最重要的部分即为表单填写部分
• 深层网络爬虫的基本构成：URL列表，LVS列表（LVS指的是标签/数值集合，即填充表单的数据源）爬行控制器，解析器，LVS控制器，表单分析器，表单处理器，响应分析器等
• 深层网络爬虫表单填写有两种类型：

1. 基于领域知识的表单填写（建立一个填写表单的关键词库，在需要的时候，根据语义分析选择对应的关键词进行填写）
2. 基于网页结构分析的表单填写（一般是领域只是有限的情况下使用，这种方式会根据网页结构进行分析，并自动的进行表单填写）