网络爬虫入门

网络爬虫，又称作网络蜘蛛、网络机器人，在某社区中经常被称为网页追逐者。可以按照指定的规则（网络爬虫的算法）自动浏览或抓取网络中的信息，通过Python可以很轻松地编写爬虫程序或者是脚本。

在生活中网络爬虫经常出现，搜索引擎就离不开网络爬虫。例如，百度搜索引擎的爬虫名字叫做百度蜘蛛（BaiduSpider）。百度蜘蛛，是百度搜索引擎的一个自动程序。它每天都会在海量的互联网信息中进行爬取，收集并整理互联网上的网页、图片视频等信息。然后当用户在百度搜索引擎中输入对应的关键词时，百度将收集的网络信息中找出相关内容，按照一定顺序将信息展现给用户。百度蜘蛛在工作的过程中，搜索引擎会构件一个调度程序来调度百度蜘蛛的工作，这些调度程序都是需要使用一定的算法来实现的，采用不同的算法，爬虫的工作效率也会有所不同，爬取的结果也会有所差异。所以在学习爬虫的时候不仅需要了解爬虫的实现过程，还需要了解一些常见的爬虫算法。在特定的情况下，还需要开发者自己制定相应的算法。

网络爬虫按照实现的技术和结构可以分为以下几种类型：通用爬虫网络、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。

1.通用网络爬虫

通用网络爬虫又叫做全网爬虫（Scalab Web Crawler），通用网络爬虫的爬行范围和数量巨大，正是由于其爬取的数据是海量数据，所以对于爬行速度和存储空间要求较高。通用网络爬虫在爬行页面的顺序要求上相对较低，同时由于待刷新的页面太多，通常采用并行工作方式，所以需要较长时间才可以刷新一次页面。所以存在着一定的缺陷，这种网络爬虫主要应用于大型搜索引擎中，有非常高的应用价值。通用网络爬虫主要由初试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。

2.聚焦网络爬虫

聚焦网络爬虫（Focused Crawler）也叫主题网络爬虫（Topical Crawler），是指按照预先定义好的主题，有选择地进行相关网页爬取的一种爬虫。它和通用网络爬虫相比，不会将目标资源定位在整个互联网当中，而是将爬取的目标网页定位在于主题相关的页面中。极大的节省了硬件和网络资源，保存的页面也由于数量少而更快了，聚焦网络爬虫主要应用在对特定信息的爬取，为某一类特定的人群提供服务。

3.增量式网络爬虫

增量式网络爬虫（Incremental Web Crawler），所谓增量式，对应着增量式更新。增量式更新指的是在更新的时候只更新改变的地方，而未改变的地方则不更新，所以增量式网络爬虫，在爬取网页的时候，只会在需要的时候爬行新产生或发生更新的页面，对于没有发生变化的页面这不会爬取。这样可有效减少数据下载量，减少时间和空间上的耗费，但是在爬行算法上需要增加一些难度。

4.深层网络爬虫

在互联网中，web页面按存在方式可以分为表层网页（Surface Web）和深层网页（Deep Web），表层网页指的是不需要提交表单，使用静态的超链接就可以直接访问的静态页面。深层网页指的是那些大部分内容不能通过静态链接获取的、隐藏在搜索表单后面的，需要用户提交一些关键词才能获得的Web页面。深层页面需要访问的信息数量是表层页面信息数量的几百倍，所以深层页面是主要的爬取对象。

深层网络爬虫主要通过6个基本功能的模块（爬行控制器、解析器、表单控制器、表单处理器、响应分析器、LVS控制器）和两个爬虫内部数据结构（URL列表、LVS表）等部分构成。其中LVS（Label Value Set）表示标签/数值集合，用来表示填充表单的数据源。

网络爬虫的基本工作流程如下：
（1）获取初试的URL，该URL地址是用户自己制定的初始爬取的网页。

（2）爬取对应URL地址的网页时，获取新的URL地址。

（3）将新的URL地址放入URL队列中。

（4）从URL队列中读取新的URL，然后依据新的URL爬取网页，同时从新的网页中获取新的URL地址，重复上述的爬取过程。

（5）设置停止条件，如果没有设置停止条件，爬虫会一直爬取下去，直到无法获取新的URL地址为止。设置了停止条件后，爬虫会将在满足停止条件时停止爬取。