们的生活。
来越多的应用涉及到大数据,而这些大数据的属性、包括数量、速度、多
样性等等都是呈现了大数据不断增长的复杂性。从而,大数据的获取和分析在大数据
领域就显得尤为重要,可以说是决定最终信息是否有价值的决定性因素。
万维网上有着无数的网页,包含着海量的信息,无孔不入、森罗万象。但很多时
候,无论出于数据分析或产品需求,我们需要从某些网站,提取出我们感兴趣、有价
值的内容,但是纵然是进化到
21
世纪的人类,依然只有两只手,一双眼,不可能去每
一个网页去点去看,然后再复制粘贴。所以我们需要一种能自动获取网页内容并可以
按照指定规则提取相应内容的程序,这就是爬虫。爬虫本身不区分到底是运行在
windows
还是
Linux
,又或是
OSX
,但从业务角度讲,我们把运行在服务端
(
后台
)
的,
称之为后台爬虫。而现在,几乎所有的爬虫都是后台爬虫。
而爬虫数据获取的基础,
经过这么多年的发展,
除了面对
surfaceweb
(
即表层
Web
,
由网页沟通,网页之间通过超链接关联)的常用爬虫,各种面对垂直领域和特定主题
的爬虫(
focusedcrawler)
成为热点。