RELATEED CONSULTING
相关咨询
选择下列产品马上在线沟通
电话:0833-2438125
服务时间:9:00-21:00
你可能遇到了下面的问题
关闭右侧工具栏
爬虫原理和数据抓取介绍
    发布时间:2022-07-31   访问量:10100

为什么要做爬虫?

首先请问:都说如今是"大数据时期",那数据从何而来?


企业产生的用户数据:百度指数、阿里指数、TBI腾讯阅读指数、新浪微博指数


数据平台购置数据:数据堂、国云数据市场、贵阳大数据买卖所


政府/机构公开的数据:中华人民共和国国度统计局数据、世界银行公开数据、结合国数据、纳斯达克。


数据管理咨询公司:麦肯锡、埃森哲、艾瑞咨询


爬取网络数据:假如需求的数据市场上没有,或者不愿意购置,那么能够选择招/做一名爬虫工程师,本人入手饥寒交迫。拉勾网Python爬虫职位


爬虫是什么?

百度百科:网络爬虫


关于Python爬虫,我们需求学习的有:

1. Python根底语法学习(根底学问)

2. HTML页面的内容抓取(数据抓取)

3. HTML页面的数据提取(数据清洗)

4. Scrapy框架以及scrapy-redis散布式战略(第三方框架)

6. 爬虫(Spider)、反爬虫(Anti-Spider)、反反爬虫(Anti-Anti-Spider)之间的斗争....

通用爬虫和聚焦爬虫

依据运用场景,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 捜索引擎抓取系统(Baidu、Google、Yahoo等)的重要组成局部。主要目的是将互联网上的网页下载到本地,构成一个互联网内容的镜像备份。


通用搜索引擎(Search Engine)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树立索引从而提供支持,它决议着整个引擎系统的内容能否丰厚,信息能否即时,因而其性能的优劣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根本工作流程如下:


首先选取一局部的种子URL,将这些URL放入待抓取URL队列;


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。


剖析已抓取URL队列中的URL,剖析其中的其他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. 在其他网站上设置新网站外链(尽可能处于搜索引擎爬虫爬取范围)

3. 搜索引擎和DNS解析效劳商(如DNSPod等)协作,新网站域名将被疾速抓取。

但是搜索引擎蜘蛛的匍匐是被输入了一定的规则的,它需求服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“网络爬虫扫除规范”(Robots Exclusion Protocol),网站经过Robots协议通知搜索引擎哪些页面能够抓取,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

搜索引擎经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阅读器得到的HTML是完整一样的。


搜索引擎蜘蛛在抓取页面时,也做一定的反复内容检测,一旦遇到访问权重很低的网站上有大量剽窃、采集或者复制的内容,很可能就不再匍匐。


第三步:预处置

搜索引擎将爬虫抓取回来的页面,停止各种步骤的预处置。


提取文字

中文分词

消弭噪音(比方版权声明文字、导航条、广告等……)

索引处置

链接关系计算

特殊文件处置

....

除了HTML文件外,搜索引擎通常还能抓取和索引以文字为根底的多种文件类型,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置图片、视频、Flash 这类非文字内容,也不能执行脚本和程序。


第四步:提供检索效劳,网站排名

搜索引擎在对信息停止组织和处置后,为用户提供关键字检索效劳,将用户检索相关的信息展现给用户。


同时会依据页面的PageRank值(链接的访问量排名)来停止网站排名,这样Rank值高的网站在搜索结果中会排名较前,当然也能够直接运用 Money 购置搜索引擎网站排名,简单粗暴。




课外阅读:Google搜索引擎的工作原理


但是,这些通用性搜索引擎也存在着一定的局限性:

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


不同范畴、不同背景的用户常常具有不同的检索目的和需求,搜索引擎无法提供针对详细某个用户的搜索结果。


万维网数据方式的丰厚和网络技术的不时开展,图片、数据库、音频、视频多媒体等不同数据大量呈现,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。


通用搜索引擎大多提供基于关键字的检索,难以支持依据语义信息提出的查询,无法精确了解用户的详细需求。


针对这些状况,聚焦爬虫技术得以普遍运用。

聚焦爬虫

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: 聚焦爬虫在施行网页抓取时会对内容停止处置挑选,尽量保证只抓取与需求相关的网页信息。


而我们今后要学习的,就是聚焦爬虫。