关于网络爬虫的资料整合

张元江_erel 2018-11-16

系统软件 编程语言 数据存储与数据库 linux python 大数据 搜索引擎 索引 url index 海量数据

关于通用爬虫的介绍

前言:
我们生活在一个充满数据的时代。
每天,来自商业、社会以及我们的日常生活所产生「图像、音频、视频、文本、定位信息」等各种各样的海量数据,注入到我们的万维网(WWW)、计算机和各种数据存储设备,其中万维网则是最大的信息载体。
数据的爆炸式增长、规模庞大和广泛可用的数据,使得我们真正进入到了“大数据(Big Data)时代”。我们急需功能强大的数据处理技术(Data Technology),从这些海量数据中发现有价值的信息。
网络爬虫(Web Crawler)技术,则成为了当下万维网数据(Web Data)收集中,最为高效灵活的解决方案。
什么是网络爬虫?
网络爬虫

获取数据方式主要有哪些?

1:企业产生的数据:百度搜索指数腾讯公司业绩数据阿里巴巴集团财务及运营数据新浪微博微指数等....

大型互联网公司拥有海量用户,有天然的数据积累优势,还有一些有数据意识的中小型企业,也开始积累自己的数据。
2:数据平台购买数据:数据堂国云数据市场贵阳大数据交易所 等...

在各个数据交易平台上购买各行各业各种类型的数据,根据数据信息、获取难易程度的不同,价格也会有所不同。
3:政府/机构公开的数据:中华人民共和国国家统计局数据中国人民银行调查统计世界银行公开数据联合国数据纳斯达克新浪财经美股实时行情 等...

通常都是各地征服统计上报,或者是行业内专业的网站、机构等提供。
4:数据管理咨询公司:麦肯锡埃森哲、尼尔森中国互联网络信息中心艾瑞咨询 等...

通常这样的公司有很庞大的数据团队,一般通过市场调研、问卷调查、固定的样本检测、与各行各业的其他公司合作、专家对话来获取数据,并根据客户需求制定商业解决方案。
5:爬虫爬取网络数据:

如果数据市场上没有需要的数据,或者价格太高不愿意购买,那么可以利用爬虫技术,抓取网站上的数据。

通用爬虫:
通用网络爬虫 就是 捜索引擎抓取系统,目的是将互联网上的所有的网页下载到本地,形成一个互联网内容的镜像备份。

它决定着整个搜索引擎内容的丰富性和时效性,因此它的性能优劣直接影响着搜索引擎的效果。
通用搜索引擎(Search Engine)工作原理
第一步:抓取网页
搜索引擎网络爬虫的基本工作流程如下:

  1. 首先选取一部分的初始URL,将这些URL放入 待抓取URL队列 ;
  2. 取出待抓取URL,解析DNS得到主机的IP,并将URL对应的网页下载下来,存储进已下载网页库中,并且将这些URL放进 已抓取URL队列 。
  3. 分析网页中包含的其他URL,并且将URL放入 待抓取URL队列,从而进入下一个循环....
    01_general

PS : 搜索引擎如何获取一个新网站的URL:

  1. 新网站向搜索引擎主动提交网址:(如百度http://zhanzhang.baidu.com/linksubmit/url
  2. 在其他网站上设置新网站外链(尽可能处于搜索引擎爬虫爬取范围)
  3. 搜索引擎和DNS解析服务商(如DNSPod等)合作,新网站域名将被迅速抓取。

网站的Robots协议

搜索引擎蜘蛛跟进URL抓取时,它需要遵从一些命令或文件的内容,如标注为nofollow的链接,或者是网站的Robots协议。

Robots协议(也叫爬虫协议、机器人协议等),全称是“网络爬虫排除标准”(Robots Exclusion Protocol),网站通过Robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取,例如:

淘宝网:https://www.taobao.com/robots.txt

腾讯网: http://www.qq.com/robots.txt

第二步:数据存储

搜索引擎爬虫爬取到的网页,将存入原始页面数据库,页面和用户浏览器得到的HTML是完全一样的。

搜索引擎爬虫在抓取页面时,也做一定的重复内容检测,一旦遇到访问权重很低的网站上有大量抄袭、采集或者复制的内容,很可能就不再爬行。
第三步:预处理

搜索引擎将爬虫抓取回来的页面,进行各种步骤的预处理。

  • 提取文字
  • 中文分词
  • 消除噪音(比如版权声明文字、导航条、广告等……)
  • 索引处理
  • 特殊文件处理
    除了HTML文件外,搜索引擎通常还能抓取和索引以文字为基础的多种文件类型,如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我们在搜索结果中也经常会看到这些文件类型。

但搜索引擎还不能处理图片、视频、Flash 这类非文字内容,也不能执行脚本和程序。

第四步:提供检索服务,网站排名

搜索引擎在对信息进行组织和处理后,为用户提供关键字检索服务,将用户检索相关的信息展示给用户。

同时会根据页面的PageRank值(链接的访问量排名)来进行网站排名,这样Rank值高的网站在搜索结果中会排名较前,当然也可以直接使用 Money 购买搜索引擎网站排名,简单粗暴。

完整流程图:
01_engine
但是,这些通用性搜索引擎也存在着一定的局限性:

  1. 通用搜索引擎所返回的结果都是网页,而大多情况下,网页里90%的内容对用户来说都是无用的。
  2. 不同领域、不同背景的用户往往具有不同的检索目的和需求,搜索引擎无法提供针对具体某个用户的搜索结果。
  3. 万维网数据形式的丰富和网络技术的不断发展,图片、数据库、音频、视频多媒体等不同数据大量出现,通用搜索引擎对这些文件无能为力,不能很好地发现和获取。
  4. 通用搜索引擎大多提供基于关键字的检索,难以支持根据语义信息提出的查询,无法准确理解用户的具体需求。

本文最终解释权归本文作者所有,未经允许不得私自转载

登录 后评论
下一篇
corcosa
8799人浏览
2019-10-08
相关推荐
网络爬虫与Web安全
1191人浏览
2012-11-25 10:27:00
基于java的分布式爬虫
1203人浏览
2017-08-01 12:43:00
使用Scrapy抓取数据
5868人浏览
2016-04-08 16:29:51
基于java的分布式爬虫
2441人浏览
2016-05-04 09:57:27
基于java的分布式爬虫
3407人浏览
2016-05-05 15:28:56
基于java的分布式爬虫
729人浏览
2015-04-20 10:35:00
Scrapy的架构
426人浏览
2017-11-18 13:50:00
0
2
0
1102