文章目录
爬虫简介
一、根据使用场景,网络爬虫可分为:通用爬虫 和 聚焦爬虫两种:
- 通用爬虫:
- 通用网络爬虫是捜索引擎抓取系统(Baidu、Google、Yahoo等)的重要组成部分;
- 主要目的是将互联网上的网页下载到本地,形成一个互联网内容的镜像备份;
- 通用网络爬虫 从互联网中搜集网页,采集信息,这些网页信息用于为搜索引擎建立索引从而提供支持,它决定着 整个引擎系统的内容是否丰富,信息是否即时,因此其性能的优劣直接影响着搜索引擎的效果。
- 搜索引擎蜘蛛的爬行是被输入了一定的规则的,它需要遵从一些命令或文件的内容。
rel=“nofollow”,告诉搜索引擎爬虫无需抓取目标页,同时告诉搜索引擎无需将的当前页的Pagerank传递到目标页.
Robots协议(也叫爬虫协议、机器人协议等),全称是“网络爬虫排除准”(Robots Exclusion Protocol),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。- 通用爬虫的局限性
大多情况下,网页里90%的内容对用户来说都是无用的。
搜索引擎无法提供针对具体某个用户的搜索结果。
图片、数据库、音频、视频多媒体等不能很好地发现和获取。
基于关键字的检索,难以支持根据语义信息提出的查询,无法准确理解用户的具体需求。
- 聚焦爬虫(重点)
- 聚焦爬虫,是 “面向特定主题需求” 的一种网络爬虫程序,它与通用搜索引擎爬虫的区别在于:聚焦爬虫在实施网页抓取时会对内容进行处理筛选,尽量保证只抓取与需求相关的网页信息。
二、 网络爬虫抓取过程可以理解为模拟浏览器操作的过程。
- 要重点理解,当用户输入一个URL后,发生了什么:
一、浏览器获取资源的过程:
1、输入url
2、浏览器解析url,获得主机名
3、将主机名转换成服务器ip地址(查找本地DNS缓存列表,如果没有则向默认的DNS服务器发送查询请求)
4、浏览器建立一条与服务器的TCP连接(三次握手)
5、浏览器向服务器发送http请求
6、服务器向浏览器返回请求响应
7、浏览器关闭连接,并解析文档