没有爬虫，就没有今天的搜索引擎

(3)在爬行过程中，会爬取到一些新的URL，此时，需要根据所定的主题使用链接过滤模块过滤掉无关链接，再将剩下来的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;

(4)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。

3.增量式网络爬虫

这里的“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。

增量式网络爬虫，在爬取网页的时候，只爬取内容发生变化的网页或者新产生的网页，对于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所爬取的页面，尽可能是新页面。

4.深层网络爬虫

在互联网中，网页按存在方式分类可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，使用静态的链接就能够到达的静态页面;而深层页面是需要提交一定的关键词之后才能够获取得到的页面。而在互联网中，深层页面的数量往往比表层页面的数量要多很多。

深层网络爬虫可以爬取互联网中的深层页面，爬取深层页面，需要想办法自动填写好对应表单。深层网络爬虫主要由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。

四、网络爬虫的爬取策略

在前面我们说过网络爬虫算法是根据人们施加的规则去采集信息，而由于网络复杂的环境，所以相应的也有各种不同算法，也就是爬取策略。这里我们主要介绍下爬取的顺序与频率。

1.爬取顺序

在网络爬虫爬取的过程中，在带爬取的URL列表中可能有很多URL地址，那么爬虫爬取这些URL地址就会有先后顺序。

相对于通用网络爬虫，爬取的顺序并不是那么重要。但聚焦网络爬虫，爬取的顺序与服务器资源和宽带资源有关，所以非常重要，一般由爬行策略决定。爬行策略主要有深度优先爬行策略、广度优先爬行策略、大站优先策略、反链策略、其他爬行策略等。

如图所示，假设有一个网站，ABCDEFG分别为站点下的网页，如图所示表示网页的层次结构。假如此时网页ABCDEFG都在爬行队列中，那么按照不同的爬行策略，其爬取的顺序是不同的。

深度优先爬行策略：A→D→E→B→C→F→G

广度优先爬行策略：A→B→C→D→E→F→G

除了以上两种爬行策略之外，还可以采用大站爬行策略。可以按对应网页所属的站点进行归类，如果某个网站的网页数量多，则将其称为大站，按照这种策略，网页数量越多的网站越大，然后，优先爬取大站中的网页URL地址。

另外还有反链策略，一个网页的反向链接数，指的是该网页被其他网页指向的次数，这个次数在一定程度上代表着该网页被其他网页的推荐次数。所以，如果按反链策略去爬行的话，那么哪个网页的反链数量越多，则哪个网页将被优先爬取。

但是在实际情况中，如果单纯按反链策略去决定一个网页的优先程度的话，那么可能会出现大量的作弊情况。所以采用反向链接策略需要考虑可靠的反链数。除了以上这些爬行策略，在实际中还有很多其他的爬行策略，比如OPIC策略、Partial PageRank策略等。

2.爬取频率

一个网站的网页是经常更新的，作为爬虫方，网站的更新频率与爬虫访问网站的频率越接近，则效果越好。当然，在爬虫服务器资源有限的情况下，爬虫也需要根据对应策略，让不同的网页具有不同的更新优先级，优先级高的网页更新，将获得较快的爬取响应。常见的网页更新策略主要有如下3种：

(1)用户体验策略：大部分用户在使用搜索引擎查询某个关键词的时候，只会关注排名靠前的网页，所以，在爬虫服务器资源有限的情况下，爬虫会优先更新排名结果靠前的网页。

(2)历史数据策略：指的是可以依据某一个网页的历史更新数据，通过泊松过程进行建模等手段，预测该网页下一次更新的时间，从而确定下一次对该网页爬取的时间。

(3)聚类分析策略：网页可能具有不同的内容，但是一般来说，具有类似属性的网页其更新频率类似，所以可以对海量的网页进行聚类分析，聚类完成后，可以依据同一个类型网页平均更新值来设定爬取的频率。

五、网络爬虫的实现技术

对于实现技术，本文不做展开，仅为有兴趣的同学提供几个常见的语言：Python、Java、PHP、Node.JS、C++、Go语言(此外，网络爬虫的开发语言还有很多)。

Python：爬虫框架非常丰富，并且多线程的处理能力较强，并且简单易学、代码简洁，优点很多。

Java：适合开发大型爬虫项目。

PHP：后端处理很强，代码很简洁，模块也较丰富，但是并发能力相对来说较弱。

Node.JS：支持高并发与多线程处理。

C++：运行速度快，适合开发大型爬虫项目，成本较高。

Go语言：同样高并发能力非常强。

六、小结

说到爬虫，很多人都认为它是网络世界中一个不可而为之的灰色地带。恭喜你，读完这篇文章，你对此的认知就超过了好多人。

因为爬虫分为善意爬虫和恶意爬虫，例如，搜索引擎的爬虫。善意爬虫严格遵守Robots协议规范爬取网页数据(如URL)，它的存在能够增加网站的曝光度，给网站带来流量;

而恶意爬虫，它无视Robots协议，对网站中某些深层次的、不愿意公开的数据肆意爬取，其中不乏个人隐私或者商业秘密等重要信息。并且恶意爬虫的使用方希望从网站多次、大量的获取信息，所以其通常会向目标网站投放大量的爬虫。如果大量的爬虫在同一时间对网站进行访问，很容易导致网站服务器过载或崩溃，造成网站经营者的损失。

（编辑：云计算网_泰州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!