网络爬虫工作原理

1聚焦爬虫工作原理及关键技术概述
网络爬虫是一个自动提取网页的程序，它为搜索引擎从 Internet 网上下载网页，
是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的 URL 开始，获 得初
始网页上的 URL，在抓取网页的过程中，不断从当前负面上抽取新的 URL 放入队
列，直到满足系统的一定停止条件。聚焦爬虫的工作流程较为复杂，需要根 据一
定的网贡分析算法过滤与主题无关的链接，保留有用的链接并将其放入等待抓取
的 URL队列。然后，它将根据一定的搜索策略从队列中选择下一步要抓取的网 页
URL，并重复上述过程，直到达到系统的某一条件时停止，另外，所有被爬虫抓
取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的杳
询和检索：对于聚焦爬虫来说，这一过程所得到的分析结果还可能对以后的抓取
过程给出反馈和指导
相对于通用网络爬虫，聚焦爬虫还需要解决三个主要问题：
(1对抓取目标的描述或定义；
(2） 对网页或数据的分析与过滤：
(3） 对URI的搜索策略。
抓取目标的描述和定义是决定网页分析算法与 URL 搜索策略如何制订的基础。而
网页分析算法和候选 URL 排序算法是决定搜索引擎所提供的服务形式和爬虫网
页抓取行为的关键所在。这两个部分的算法又是紧密相关的。
2抓取目标描述
    现有聚焦爬虫对抓取目标的描述可分为基于目标网页特征、基手目标数据模式和
基于领域概念3种。
基于目标网页特征的爬虫所抓取、存储并索引的对象一般为网站或网页。根据种
子样本获取方式可分为：
（1）预先给定的初始抓取种子