初学爬虫

爬虫基础

大数据时代获取信息的途径

1. 企业产生的用户数据 ：百度指数、阿里指数、TBI腾讯浏览指数、新浪微博指数

2. 数据平台购买数据 ：数据堂、国云数据市场、贵阳大数据交易所

3. 政府/机构公开的数据：中华人民共和国国家统计局数据、世界银行公开数据、联合国数据

4. 数据管理咨询公司 ：麦肯锡、艾瑞咨询、埃森哲

通用爬虫和聚焦爬虫

通用爬虫

是搜索引擎抓取系统 （baidu,goole,yahoo等）的重要组成部分 ，主要目的是将互联网的网页下载到本地 ，形成一个互联网内容的镜像备份。

搜索引擎网络爬虫的基本工作流程如下：

第一步 ：抓取网页

1，首先选取一部分的种子url，并将这些url放进抓取url队列 。

2，取出待抓取url，解析dns得到主机的ip，并将Url对应的网页下载下来，存储进已下载网页库中 ，并且将这些url放进已抓取url队列

3，分析已抓取url队列中url,分析其中的其他url,并将url放入待抓取1url队列，从而进入下一个循环

但是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，如标注为nofollow.的链接，或者是Robots协议。

robots协议 ：（也叫爬虫协议 ，机器人协议等）全称是网络爬虫排除标准 ，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 。

例如 ：淘宝网：https://www.taobao.com/robots.txt

腾讯网：http:www.qq.com/robots.txt

第二步： 数据存储

搜索引擎通过爬虫爬到的网页，将数据存储入原始页面数据库，其中的页面数据与用户浏览器得到的html是完全一样的

搜索引擎蜘蛛在抓取页面时，也做一定的重复内容检测，一旦遇到访问权重很低的网站上有大量抄袭采集或者复制的内容 ，很可能就不再爬行

第三步：预处理

搜索引擎将爬虫抓取回来的页面 ，进行各种步骤的预处理

◾提取文字

◾中文分词

◾清楚噪音（比如版权声明文字，导航条，广告条）

◾索引处理

◾连接关系计算

◾特殊文件处理

除了html文件外 ，搜索引擎通常还能抓取和索引以文字为基础的多种文件类型，如pdf，word，wps,xls,ppt,txt文件等，我们在搜索结果中也经常会看到这些文件类型

但搜索引擎还不能处理图片，视频，flash这类非文字内容，也不能执行脚本和程序

第四步：提供检索服务，网站排名

搜索引擎在对信息进行组织和处理后 ，为用户提供关键检索服务 ，将用户相关的信息展示给用户 。

同时会根据页面的pagerank值（链接的访问量排名）来进行网站排名 。这样rank值高的网站在搜索引擎结果中会排名比较靠前 ，也可以直接使用Monkey购买搜索引擎网站排名 。

但是这些通用性搜索引擎也存在着一定的局限性：

1，通用搜索引擎所返回的结果都是网页 ，而大多情况下，网页里90%的内容对用户来说都是无用的

2.不同领域、 不同背景的用户往往具有不同的检索目的和需求，搜索引擎无法提供针对具体某个用户的搜索结果。

3.万维网数据 形式的丰富和网络技术的不断发展，图片、数据库、音频、视频多媒体等不同数据大量出现，通用搜索引擎对这些文件无能为力，不能很好地发现和获取。

4.通用搜索引擎大多提供基于关键字的检索，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

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 ，聚焦爬虫在实施页面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。