爬虫的分类和爬虫的流程

爬虫的分类

在上一小结中，我们介绍爬虫爬取到的数据用途的时候，给大家举了两个例子，其实就是两种不同类型的爬虫

根据被爬网站的数量的不同，我们把爬虫分为：

• 通用爬虫 ：通常指搜索引擎的爬虫

• 聚焦爬虫 ：针对特定网站的爬虫

爬虫的流程

请思考：如果自己要实现一个和百度新闻一样的网站需要怎么做？

聚焦爬虫的工作流程如下：

搜索引擎的工作流程如下：

但是搜索引擎类似的通用爬虫的工作流程有些不同

搜索引擎的局限性

• 通用搜索引擎所返回的网页里90%的内容无用。

• 图片、音频、视频多媒体的内容通用搜索引擎无能为力

• 不同用户搜索的目的不全相同，但是返回内容相同

robots协议

Robots协议：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，但它仅仅是道德层面上的约束

例如：淘宝的robots协议