Python网络爬虫——1、网络爬虫简介

什么是网络爬虫

       网络爬虫又称网络蜘蛛、网络蚂蚁、网络机器人，它可以自动化浏览网络中的信息，当然浏览信息的时候需要按照我们制定的规则进行，这些规则我们称之为网络爬虫算法。使用Python可以方便的编写出爬虫程序，进行互联网信息的自动化检索。
  搜索引擎离不开爬虫，百度搜索引擎的爬虫叫百度蜘蛛（Baiduspider），360的爬虫叫360Spider，搜狗的爬虫叫Sougouspider，必应的爬虫叫Bingbot。
  这些爬虫每天会在海量的互联网信息中进行爬取，爬取优质信息并收录，当用户在搜索引擎上检所对应关键词时，它们将对关键词进行分析处理，从收录的网页中找出相关网页，按照一定的排名规则进行排序并将结果展示给用户。在这个过程中，爬虫起到了至关重要的作用。

为什么要进行网络爬虫

深入理解搜索引擎，定制个性化信息：搜索引擎离不开爬虫，学习网络爬虫有利于我们深入了解我们平时使用的搜索引擎的工作原理，同时也可也根据实际情况所需自我编写网络爬虫程序获取所需要的数据信息。

为机器学习、大数据学习做准备：机器学习、大数据学习都需要大量的样本数据信息，而这些样本数据信息一般都需要根据所研究的目标或者场景进行个性化的定制，而网络爬虫可以提供强有力的支持，通过网络爬虫不仅可以让我们获取更多的数据源，并且这些数据源可以按照我们的目标进行采集，去掉很多无关数据信息，节省大量的时间。

SEO优化：对于很多的SEO的从业人员来说学习网络爬虫可以让他们更加深入的了解搜索引擎的爬虫策略以及工作原理，这有助于他们更好的对搜索引擎实现优化。

就业：目前网络爬虫工程师算是比较稀缺的人才，并且薪资空间也是非常非常不错，所以如果可以很好的掌握这门技术，对于从业人员来说不当多了一项技艺，更是多了一种选择。

做感兴趣的事情：学习网络爬虫还可以做许许多多有趣的事情，比如说可以使用网络爬虫来获取最近几天的天气情况的信息，或者使用网络爬虫来爬取某一个小说中的最新的篇章等等，这些有趣的实践操作将会在后续的内容中陆续介绍到。

网络爬虫的组成

网络爬虫由控制节点、爬虫节点、资源库构成。

网络爬虫中可以有多个控制节点，每个控制节点下可以有多个爬虫节点，控制节点之间可以互相通信，同时，控制节点和其下的各爬虫节点之间也可以进行互相通信，属于同一个控制节点下的爬虫节点，亦可以互相通信。
控制节点：爬虫的中央控制器，主要负责根据URL地址分配线程，并调用爬虫节点进行具体的爬行。
爬虫节点：会按照相关的算法，对网页进行具体的爬行，主要包括下载网页以及对网页的文本进行处理，爬行后，会将对应的爬行结果存储到对应的资源库中。

网络爬虫的类型

  网络爬虫按照实现的技术和结构可以分为通用网络爬虫、聚焦网络爬虫、增量式网络爬虫、深层网络爬虫等类型。在实际的网络爬虫中，通常是这几类爬虫的组合体。

通用网络爬虫（全网爬虫）：

目标资源：全互联网，目标数据巨大，爬行范围非常大，性能需求高，主要应用于大型搜索引擎中，有非常高的应用价值。
基本构成：由初始URL集合、URL队列、页面爬行模块、页面分析模块、页面数据库、链接过滤模块等构成。
爬行策略：深度优先爬行策略和广度优先爬行策略

聚焦网络爬虫（主题网络爬虫）：

目标资源：与主题相关的页面，可以大大节省爬虫爬取时所需的带宽资源和服务器资源，主要应用在对特定信息的爬取中，主要为一类特定的人群提供服务。
基本构成：由初始URL集合、URL队列、页面爬行模块、页面分析模块、页面数据库、链接过滤模块、内容评价模块、链接评价模块等构成。
内容评价模块：可以评价内容的重要性，
链接评价模块：可以评价出链接的重要性。
一般我们都会根据内容和链接的重要性，确定哪些页面优先访问。

聚焦网络爬虫的策略：

• 基于内容评价的爬行策略
• 基于链接评价的爬行策略
• 基于增强学习的爬行策略
• 基于语境图的爬行策略

增量式网络爬虫：

  所谓增量式，对应着增量式更新，所以增量式网络爬虫，再爬取网页的时候，只爬取内容发生变化的网页，对未发生内容变化的网页，则不会爬取。增量式网络爬虫在一定程度上能够保证爬取的页面，尽可能是新页面。

深层网络爬虫：

目标资源是互联网中的深层页面

什么是深层页面？
在互联网中，网页按存在方式分类，可以分为表层页面和深层页面。
表层页面：指的是不需要提交表单，使用静态链接就能够到达的静态页面。
深层页面：隐藏在表单后面，不能通过静态链接直接获取，是需要提交一定的关键词之后才能获取得到的页面。
在互联网中，深层页面的数量往往比表层页面的数量要多很多，所以，我们需要想办法爬取深层页面。
基本构成：URL列表、LVS列表（LVS指的是标签/数值集合。即填充表单的数据源）、爬行控制器、解析器、LVS控制器、表单分析器、表单处理器、响应分析器等部分构成。

表单类型：深层网络爬虫的表单填写有两种类型
a、给予领域知识的表单填写：简单来说，就是建立一个填写表单的关键词库，在需要填写的时候，根据语义分析选择对应的关键词进行填写。
b、基于网页结构分析的表单填写，简单来说，就是这种填写方式一般是领域知识有限的情况下使用，这种方式会根据网页结构进行分析，并自动的进行表单填写。
以上就是网络爬虫中常见的几种类型。

聚焦爬虫简介

聚焦爬虫可以按对应的主题有目的地进行爬取，并且可以节省大量的服务器资源和带宽资源，具有很强的实用性。

首先，聚焦爬虫拥有 一个控制中心，该控制中心负责对整个爬虫系统进行 管理和 监控，主要包括控制 用户交互、 初始化爬行器、 确定主题、 协调各模块间的工作、 控制爬行过程等。

然后，控制中心将初始的URL集合传递给URL队列，页面爬行模块会从URL队列中读取第一批URL列表，然后根据这些URL地址从互联网中进行相应的页面爬取。爬取后，将爬取到的内容传到页面数据库中存储，同时，在爬行过程中，会爬取到一些新的URL，此时，需要我们根据所定的主题使用链接过滤模块来过滤无用的URL（链接），在将剩下的URL链接根据主题使用链接评价模块或内容评价模块进行优先级的排序。完成后，将新的URL地址传递到URL队列中，供页面爬行模块使用。另一方面，将页面爬取并存放到页面数据库后，需要根据主题使用页面分析模块对爬取到的页面进行页面分析处理，并根据处理结果建立索引数据库，用户检索对应信息时，可以从索引数据库中进行相应的检索，并得到对应的结果。
这就是聚焦爬虫的主要工作流程，了解聚焦爬虫的主要工作流程有助于我们编写聚焦爬虫，使编写的思路更加清晰。

网络爬虫使用的语言选择

C,C++：
优点：高效率，快速，适合通用搜素引起做全网爬取。
缺点：开发慢，写起来又臭又长，例如：天网搜索源代码。

脚本语言：Python、Perl、Java、Ruby
优点：简单、易学，良好的文本处理能方便网页内容的细致提权，但效率往往不高，适合对少量网站的聚焦爬取。

C#:

信息管理的人比较喜欢的语言。

本系列内容将会采用Python进行网络爬虫！