很多讀者看到爬蟲是不是第一反應(yīng)就想到了某些蛛形綱的節(jié)肢動物？其實(shí)在互聯(lián)網(wǎng)上爬蟲還有另一種解釋——網(wǎng)頁機(jī)器人。今天我們就來介紹一下這些網(wǎng)頁機(jī)器人的分類——互聯(lián)網(wǎng)爬蟲分類和一些python爬蟲基礎(chǔ)知識吧。
一、通用爬蟲
通用網(wǎng)絡(luò)爬蟲是搜索引擎抓取系統(tǒng)(Baidu、Google、Sogou等)的一個重要組成部分。主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁下載到本地，形成一個互聯(lián)網(wǎng)內(nèi)容的鏡像備份。為搜索引擎提供搜索支持。
第一步
搜索引擎去成千上萬個網(wǎng)站抓取數(shù)據(jù)。
第二步
搜索引擎通過爬蟲爬取到的網(wǎng)頁，將數(shù)據(jù)存入原始頁面數(shù)據(jù)庫(也就是文檔庫)。其中的頁面數(shù)據(jù)與用戶瀏覽器得到的HTML是完全—樣的。
第三步
搜索引擎將爬蟲抓取回來的頁面，進(jìn)行各種步驟的預(yù)處理:中文分詞，消除噪音，索引處理······
搜索引擎在對信息進(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。展示的時候會進(jìn)行排名。
二、搜索引擎的局限性
- 搜索引擎抓取的是整個網(wǎng)頁，不是具體詳細(xì)的信息。
- 搜索引擎無法提供針對具體某個客戶需求的搜索結(jié)果。
聚焦爬蟲
針對通用爬蟲的這些情況，聚焦爬蟲技術(shù)得以廣泛使用。聚焦爬蟲，是"面向特定主題需求"的一種網(wǎng)絡(luò)爬蟲程序，它與通用搜索引擎爬蟲的區(qū)別在于：聚焦爬蟲在實(shí)施網(wǎng)頁抓取時會對內(nèi)容進(jìn)行處理篩選，盡量保證只抓取與需求相關(guān)的網(wǎng)頁數(shù)據(jù)。
三、Robots協(xié)議
robots是網(wǎng)站跟爬蟲間的協(xié)議，用簡單直接的txt格式文本方式告訴對應(yīng)的爬蟲被允許的權(quán)限，也就是說robots.txt是搜索引擎中訪問網(wǎng)站的時候要查看的第一個文件。當(dāng)一個搜索蜘蛛訪問一個站點(diǎn)時，它會首先檢查該站點(diǎn)根目錄下是否存在robots.txt，如果存在，搜索機(jī)器人就會按照該文件中的內(nèi)容來確定訪問的范圍;如果該文件不存在，所有的搜索蜘蛛將能夠訪問網(wǎng)站上所有沒有被口令保護(hù)的頁面?！俣劝倏?/p>
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 ExclusionProtocol)，網(wǎng)站通過Robots協(xié)議告訴搜索引擎哪些頁面可以抓取，哪些頁面不能抓取，例如:
四、請求與響應(yīng)
網(wǎng)絡(luò)通信由兩部分組成:客戶端請求消息與服務(wù)器響應(yīng)消息
瀏覽器發(fā)送HTTP請求的過程：
1.當(dāng)我們在瀏覽器輸入URL https://www.baidu.com的時候，瀏覽器發(fā)送一個Request請求去獲取 https://www.baidu.com 的html文件，服務(wù)器把Response文件對象發(fā)送回給瀏覽器。
2.瀏覽器分析Response中的HTML，發(fā)現(xiàn)其中引用了很多其他文件，比如Images文件，CSS文件，JS文件。瀏覽器會自動再次發(fā)送Request去獲取圖片，CSS文件，或者JS文件。
3.當(dāng)所有的文件都下載成功后，網(wǎng)頁會根據(jù)HTML語法結(jié)構(gòu)，完整的顯示出來了。
實(shí)際上我們通過學(xué)習(xí)爬蟲技術(shù)爬取數(shù)據(jù)，也是向服務(wù)器請求數(shù)據(jù),獲取服務(wù)器響應(yīng)數(shù)據(jù)的過程。
小結(jié)
到此這篇python爬蟲基礎(chǔ)知識的文章就介紹到這了。
學(xué)習(xí)python爬蟲可以了解一下我們最近上線的爬蟲新課：Python爬蟲從入門到實(shí)戰(zhàn)_
來自百度的資深大數(shù)據(jù)工程師，各位小伙伴懂得都懂，趁現(xiàn)在新課打折，快快上車吧！
