Python為什么是通用爬蟲？相信很多沒有經(jīng)驗(yàn)的人對(duì)此束手無(wú)策，為此本文總結(jié)了問題出現(xiàn)的原因和解決方法，通過(guò)這篇文章希望你能解決這個(gè)問題。

創(chuàng)新互聯(lián)建站專注為客戶提供全方位的互聯(lián)網(wǎng)綜合服務(wù)，包含不限于成都做網(wǎng)站、網(wǎng)站設(shè)計(jì)、諸暨網(wǎng)絡(luò)推廣、小程序開發(fā)、諸暨網(wǎng)絡(luò)營(yíng)銷、諸暨企業(yè)策劃、諸暨品牌公關(guān)、搜索引擎seo、人物專訪、企業(yè)宣傳片、企業(yè)代運(yùn)營(yíng)等，從售前售中售后，我們都將竭誠(chéng)為您服務(wù)，您的肯定，是我們最大的嘉獎(jiǎng)；創(chuàng)新互聯(lián)建站為所有大學(xué)生創(chuàng)業(yè)者提供諸暨建站搭建服務(wù)，24小時(shí)服務(wù)熱線：028-86922220，官方網(wǎng)址：aaarwkj.com

通用爬蟲和聚焦爬蟲

根據(jù)使用場(chǎng)景，網(wǎng)絡(luò)爬蟲可分為通用爬蟲和聚焦爬蟲兩種。

通用爬蟲

通用網(wǎng)絡(luò)爬蟲是捜索引擎抓取系統(tǒng)（Baidu、Google、Yahoo等）的重要組成部分。主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁(yè)下載到本地，形成一個(gè)互聯(lián)網(wǎng)內(nèi)容的鏡像備份。

通用搜索引擎（Search Engine）工作原理

通用網(wǎng)絡(luò)爬蟲從互聯(lián)網(wǎng)中搜集網(wǎng)頁(yè)，采集信息，這些網(wǎng)頁(yè)信息用于為搜索引擎建立索引從而提供支持，它決定著整個(gè)引擎系統(tǒng)的內(nèi)容是否豐富，信息是否即時(shí)，因此其性能的優(yōu)劣直接影響著搜索引擎的效果。

第一步：抓取網(wǎng)頁(yè)

搜索引擎網(wǎng)絡(luò)爬蟲的基本工作流程如下：

1.首先選取一部分的種子URL，將這些URL放入待抓取URL隊(duì)列；

2.取出待抓取URL，解析DNS得到主機(jī)的IP，并將URL對(duì)應(yīng)的網(wǎng)頁(yè)下載下來(lái)，存儲(chǔ)進(jìn)已下載網(wǎng)頁(yè)庫(kù)中，并且將這些URL放進(jìn)已抓取URL隊(duì)列。

3.分析已抓取URL隊(duì)列中的URL，分析其中的其他URL，并且將URL放入待抓取URL隊(duì)列，從而進(jìn)入下一個(gè)循環(huán)....

搜索引擎如何獲取一個(gè)新網(wǎng)站的URL：

1. 新網(wǎng)站向搜索引擎主動(dòng)提交網(wǎng)址：（如百度http://zhanzhang.baidu.com/linksubmit/url）

2. 在其他網(wǎng)站上設(shè)置新網(wǎng)站外鏈（盡可能處于搜索引擎爬蟲爬取范圍）

3. 搜索引擎和DNS解析服務(wù)商(如DNSPod等）合作，新網(wǎng)站域名將被迅速抓取。

但是搜索引擎蜘蛛的爬行是被輸入了一定的規(guī)則的，它需要遵從一些命令或文件的內(nèi)容，如標(biāo)注為nofollow的鏈接，或者是Robots協(xié)議。

Robots協(xié)議（也叫爬蟲協(xié)議、機(jī)器人協(xié)議等），全稱是“網(wǎng)絡(luò)爬蟲排除標(biāo)準(zhǔn)”（Robots Exclusion Protocol），網(wǎng)站通過(guò)Robots協(xié)議告訴搜索引擎哪些頁(yè)面可以抓取，哪些頁(yè)面不能抓取，例如：

淘寶網(wǎng)：https://www.taobao.com/robots.txt

騰訊網(wǎng)： http://www.qq.com/robots.txt

第二步：數(shù)據(jù)存儲(chǔ)

搜索引擎通過(guò)爬蟲爬取到的網(wǎng)頁(yè)，將數(shù)據(jù)存入原始頁(yè)面數(shù)據(jù)庫(kù)。其中的頁(yè)面數(shù)據(jù)與用戶瀏覽器得到的HTML是完全一樣的。

搜索引擎蜘蛛在抓取頁(yè)面時(shí)，也做一定的重復(fù)內(nèi)容檢測(cè)，一旦遇到訪問權(quán)重很低的網(wǎng)站上有大量抄襲、采集或者復(fù)制的內(nèi)容，很可能就不再爬行。

第三步：預(yù)處理

搜索引擎將爬蟲抓取回來(lái)的頁(yè)面，進(jìn)行各種步驟的預(yù)處理。

（1）提取文字

（2）中文分詞

（3）消除噪音（比如版權(quán)聲明文字、導(dǎo)航條、廣告等……）

（4）索引處理

（5）鏈接關(guān)系計(jì)算

（6）特殊文件處理

....

除了HTML文件外，搜索引擎通常還能抓取和索引以文字為基礎(chǔ)的多種文件類型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我們?cè)谒阉鹘Y(jié)果中也經(jīng)常會(huì)看到這些文件類型。

但搜索引擎還不能處理圖片、視頻、Flash 這類非文字內(nèi)容，也不能執(zhí)行腳本和程序。

第四步：提供檢索服務(wù)，網(wǎng)站排名

搜索引擎在對(duì)信息進(jìn)行組織和處理后，為用戶提供關(guān)鍵字檢索服務(wù)，將用戶檢索相關(guān)的信息展示給用戶。

同時(shí)會(huì)根據(jù)頁(yè)面的PageRank值（鏈接的訪問量排名）來(lái)進(jìn)行網(wǎng)站排名，這樣Rank值高的網(wǎng)站在搜索結(jié)果中會(huì)排名較前，當(dāng)然也可以直接使用 Money 購(gòu)買搜索引擎網(wǎng)站排名，簡(jiǎn)單粗暴。

但是，這些通用性搜索引擎也存在著一定的局限性：

通用搜索引擎所返回的結(jié)果都是網(wǎng)頁(yè)，而大多情況下，網(wǎng)頁(yè)里90%的內(nèi)容對(duì)用戶來(lái)說(shuō)都是無(wú)用的。

不同領(lǐng)域、不同背景的用戶往往具有不同的檢索目的和需求，搜索引擎無(wú)法提供針對(duì)具體某個(gè)用戶的搜索結(jié)果。

萬(wàn)維網(wǎng)數(shù)據(jù)形式的豐富和網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，圖片、數(shù)據(jù)庫(kù)、音頻、視頻多媒體等不同數(shù)據(jù)大量出現(xiàn)，通用搜索引擎對(duì)這些文件無(wú)能為力，不能很好地發(fā)現(xiàn)和獲取。

通用搜索引擎大多提供基于關(guān)鍵字的檢索，難以支持根據(jù)語(yǔ)義信息提出的查詢，無(wú)法準(zhǔn)確理解用戶的具體需求。

針對(duì)這些情況，聚焦爬蟲技術(shù)得以廣泛使用。

看完上述內(nèi)容，你們掌握Python為什么是通用爬蟲的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝各位的閱讀！

網(wǎng)頁(yè)題目：Python為什么是通用爬蟲
當(dāng)前地址：http://aaarwkj.com/article36/iidjpg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供營(yíng)銷型網(wǎng)站建設(shè)、面包屑導(dǎo)航、全網(wǎng)營(yíng)銷推廣、域名注冊(cè)、關(guān)鍵詞優(yōu)化、外貿(mào)建站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)