游客

标题:1.1 （了解）通用爬虫和聚焦爬虫
正文:
根据使用场景，网络爬虫可分为 通用爬虫 和 聚焦爬虫 两种。通用爬虫通用网络爬虫 是 搜索引擎抓取系统（Baidu、Google、Yahoo等）的重要组成部分。主要目的是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份。通用搜索引擎（SearchEngine）工作原理通用网络爬虫从互联网中搜集网页，采集信息，这些网页信息用于为搜索引擎建立索引从而提供支持，它决定着整个引擎系统的内容是否丰富，信息是否即时，因此其性能的优势直接影响着搜索引擎的效果。第一步：抓取网页搜索引擎网络爬虫的基本工作流程如下：1.首先选取一部分的种子URL，将这些URL放入待抓取URL队列；2.去除待抓取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，分析其中的其他URL，并且将URL放入待抓取URL队列，从而进入下一个循环…… 搜索引擎如何获取一个新网站的URL：1.新网站向搜索引擎主动提交网址：（如百度http://zhanzhang.baidu.com/linksubmit/url）2.在其他网站上设置网站外链（尽可能处于搜索引擎爬取范围）3.搜索引擎和DNS解析服务器（如DNSSPod等）合作，新网站域名将被迅速抓取。但是搜索引擎蜘蛛的爬行是被输入了一定的规则的，他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Robors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”（Robots Exclusion Protocol），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：淘宝网腾讯网第二步：数据存储搜索引擎通过爬虫爬取到的网页，将数据存入原始页面数据库。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
[<<][[1]][>>]

查看评论(0)
发表评论



首页