根据使用场景,网络爬虫可分通用爬虫和聚焦爬虫两种,今天广州中软卓越python培训课程只讲通用爬虫。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(Search Engine)工作原理

通用网络爬虫是从互联网中搜集网页,采集信息,采集的网页信息用于为搜索引擎建立索引从而提供支持,决定着整个引擎系统的内容是否丰富,信息是否即时,因此其性能的优劣直接影响着搜索引擎的效果。

步骤一:抓取网页

搜索引擎网络爬虫的基本工作流程如下:

1、首先选取一部分种子URL,将这些种子放入待抓取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,再将这些URL放进已抓取URL队列。

3、将已抓取URL队列中的URL进行分析,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

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解析服务商(如DNSPod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,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”(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)

步骤二: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是一致的。搜索引擎蜘蛛在抓取页面的同时,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,很可能不再爬行。

步骤三: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→消除噪音(比如版权声明文字、导航条、广告等……)→索引处理→链接关系计算→特殊文件处理→……

除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。但目前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。

步骤四: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,为用户提供关键字检索服务,将用户检索相关的信息展示给用户。同时会根据页面的PageRank值,也就是链接的访问量排名,来进行网站排名,Rank值高的网站在搜索结果中会排名较前,当然如果你有钱任性,也可以简单粗暴直接购买网站排名。

但是,这些通用性搜索引擎也存在着一定的局限性:

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。不同领域、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。

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。

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。

好了,关于通用性搜索引擎我们就讲到这里,有机会的话在讲讲聚焦爬虫的知识点。去企业,学习企业需要的编程技能!广州中软卓越Python培训,真实企业背景,送你企业入场券!

文章来源于互联网:广州中软卓越 简单学习网络爬虫(通用爬虫)

发表评论