作者:荣仔!最靓的仔!
专栏地址 :http://suo.im/5Rh1z1
1 网络爬虫
1.1 背景引入
随着互联网的迅速发展,万维网已成为大量信息的载体,越来越多的网民可以通过互联网搜索引擎获取所需要的信息。
事实上,市面上通用的搜索引擎是存在一定局限性的:
搜索引擎返回的结果包含大量用户不关心的网页
基于关键字的搜索引擎缺乏语义理解,导致反馈信息不准确
无法处理非结构性数据,尤其是图片。音视频等复杂类型的数据
那么如何有效地提取并利用这些从互联网上获取的信息呢?面对这一巨大的挑战,定向爬取相关网页资源的网络爬虫应运而生。
1.2 概括介绍
网络爬虫又被称为网页蜘蛛或网络机器人,它是一种按照一定的规则,自动爬取万维网信息的程序或者脚本。
网络爬虫根据既定的爬取目标,有选择的访问万维网上的网页与相关链接,获取所需要的信息;
根据使用场景,网络爬虫可分为通用网络爬虫和定向网络爬虫:
通用网络爬虫是搜索引擎爬取系统的重要组成部分,它将互联网上的网页信息下载至本地,形成一个互联网内容镜像备份库,从而支撑整个搜索引擎,其覆盖面广,数据丰富,比如百度,Google等。
定向网络爬虫并不追求大的覆盖,是面向特定主题的一种网络爬虫,其目标是爬取与某一特定主题相关的网页,为面向主题的用户查询准备数据资源,同时定向爬虫在实施网页爬取时