网络爬虫原理

网络爬虫的原理：爬虫根据一定的网页分析算法过滤与主题无关的链接，保留有用的链接并将其放入等待抓取的URL队列。然后，它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL，并重复上述过程，直到达到系统的某一条件时停止。另外，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索；对于聚焦爬虫来说，这一过程所得到的分析结果还可能对以后的抓取过程给出反馈和指导。

一个通用的网络爬虫的框架如图所示：

不同类型的网络爬虫，其实现原理也是不同的，但这些实现原理中，会存在很多共性。在此将以两种典型的网络爬虫为例（即通用网络爬虫和聚焦网络爬虫），讲解网络爬虫的实现原理。

1. 通用网络爬虫

首先我们来看通用网络爬虫的实现原理。通用网络爬虫的实现原理及过程可以简要概括如图：