網絡爬蟲原理：通用爬蟲如何獲取頁面內容？

通用爬蟲是一個自動提取網頁的程序，它為搜索引擎從Internet網上下載網頁，是搜索引擎的重要組成部分。

通用爬蟲從一個或若干初始網頁的URL開始，獲得初始網頁上的URL，在抓取網頁的過程中，不斷從當前頁面上抽取新的URL放入隊列，直到滿足系統(tǒng)的一定停止條件。圖1演示了通用爬蟲抓取網頁的流程。

通用網絡爬蟲從互聯(lián)網中搜集網頁，采集信息，這些網頁信息用于為搜索引擎建立索引提供支持，它決定著整個引擎系統(tǒng)的內容是否豐富，信息是否及時，因此其性能的優(yōu)劣直接影響著搜索引擎的效果。

但是，用于搜索引擎的通用爬蟲其爬行行為需要符合一定的規(guī)則，遵從一些命令或文件的內容，如標注為nofollow的鏈接，或者是Robots協(xié)議(后續(xù)會有相關介紹)。

多學一招：搜索引擎的工作流程

搜索引擎是通用爬蟲的最重要應用領域，也是大家使用網絡功能時的最大助手。接下來就為大家介紹搜索引擎的工作流程，其主要包含以下幾個步驟。

1. 抓取網頁

搜索引擎使用通用爬蟲來抓取網頁，其基本工作流程與其他爬蟲類似，大致步驟如下：

(1)首先選取一部分的種子URL，將這些URL放入待抓取URL隊列;

(2)取出待抓取URL，解析DNS得到主機的IP，并將URL對應的網頁下載下來，存儲進已下載網頁庫中，并且將這些URL放進已抓取URL隊列。

(3)分析已抓取URL隊列中的URL，分析其中的其他URL，并且將URL放入待抓取URL隊列，從而進入下一個循環(huán)。

那么，搜索引擎如何獲取一個新網站的URL?

(1)新網站向搜索引擎主動提交網址：(如百度http://zhanzhang.baidu.com/linksubmit/url)。

(2)在其他網站上設置新網站外鏈(盡可能處于搜索引擎爬蟲爬取范圍)。

(3)搜索引擎和DNS解析服務商(如DNSPod等)合作，新網站域名將被迅速抓取。

2. 數據存儲

搜索引擎通過爬蟲爬取到網頁后，將數據存入原始頁面數據庫。其中的頁面數據與用戶瀏覽器得到的HTML是完全一樣的。

搜索引擎蜘蛛在抓取頁面時，也做一定的重復內容檢測，一旦遇到訪問權重很低的網站上有大量抄襲、采集或者復制的內容，很可能就不再爬行。

3. 預處理

搜索引擎將爬蟲抓取回來的頁面，進行各種步驟的預處理，包括：

·提取文字

·中文分詞

·消除噪音(比如版權聲明文字、導航條、廣告等……)

·索引處理

·鏈接關系計算

·特殊文件處理

·....

除了HTML文件外，搜索引擎通常還能抓取和索引以文字為基礎的多種文件類型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我們在搜索結果中也經常會看到這些文件類型。

但搜索引擎還不能處理圖片、視頻、Flash這類非文字內容，也不能執(zhí)行腳本和程序。

4. 提供檢索服務，網站排名

搜索引擎在對信息進行組織和處理后，為用戶提供關鍵字檢索服務，將用戶檢索相關的信息展示給用戶。

同時會根據頁面的PageRank值(鏈接的訪問量排名)來進行網站排名，這樣Rank值高的網站在搜索結果中會排名較前，當然也可以直接付費購買搜索引擎網站排名，付費購買排名是搜索引擎公司的盈利業(yè)務之一。

圖2演示了搜索引擎的工作原理和主要組成部分。

猜你喜歡：

Python爬蟲視頻教程：Python爬蟲項目教程下載

python爬蟲可以用來做什么?

爬蟲分類分析：網絡爬蟲有哪些分類?

python爬蟲視頻教程

Python高級程序員培訓課程