换ip软件,代理ip软件,更改ip地址-智游代理
首页 IP软件套餐 HTTP代理套餐 API提取 使用帮助 新闻资讯 长效IP 注册 登录
在线咨询
大客户经理
大客户经理
13318873961

大客户经理微信

微信公众号

微信公众号

回到顶部
您的位置: 首页 > 新闻资讯 > 爬虫代理 > 正文

网络爬虫基本原理以及抓取策略了解

发布时间:2019年02月14日 来源:智游代理 www.zhiyoudaili.com

网络爬虫是捜索引擎抓取系统的重要组成部分。爬虫的主要目的是将互联网上的网页下载到本地形成一个或联网内容的镜像备份。这篇博客主要对爬虫以及抓取系统进行一个简单的概述。


一、网络爬虫的基本结构及工作流程


一个通用的网络爬虫的框架如图所示:

网络爬虫的框架



网络爬虫的基本工作流程如下:


1.首先选取一部分精心挑选的种子URL;


2.将这些URL放入待抓取URL队列;


3.从待抓取URL队列中取出待抓取在URL,解析DNS,并且得到主机的ip,并将URL对应的网页下载下来,存储进已下载网页库中。此外,将这些URL放进已抓取URL队列。


4.分析已抓取URL队列中的URL,分析其中的其他URL,并且将URL放入待抓取URL队列,从而进入下一个循环。


二、从爬虫的角度对互联网进行划分


对应的,可以将互联网的所有页面分为五个部分:


image.png


1.已下载未过期网页


2.已下载已过期网页:抓取到的网页实际上是互联网内容的一个镜像与备份,互联网是动态变化的,一部分互联网上的内容已经发生了变化,这时,这部分抓取到的网页就已经过期了。


3.待下载网页:也就是待抓取URL队列中的那些页面


4.可知网页:还没有抓取下来,也没有在待抓取URL队列中,但是可以通过对已抓取页面或者待抓取URL对应页面进行分析获取到的URL,认为是可知网页。


5.还有一部分网页,爬虫是无法直接抓取下载的。称为不可知网页。


三、抓取策略


在爬虫系统中,待抓取URL队列是很重要的一部分。待抓取URL队列中的URL以什么样的顺序排列也是一个很重要的问题,因为这涉及到先抓取那个页面,后抓取哪个页面。而决定这些URL排列顺序的方法,叫做抓取策略。下面重点介绍几种常见的抓取策略:


1.深度优先遍历策略


深度优先遍历策略是指网络爬虫会从起始页开始,一个链接一个链接跟踪下去,处理完这条线路之后再转入下一个起始页,继续跟踪链接。我们以下面的图为例:


image.png


遍历的路径:A-F-GE-H-I B C D


2.宽度优先遍历策略


宽度优先遍历策略的基本思路是,将新下载网页中发现的链接直接插入待抓取URL队列的末尾。也就是指网络爬虫会先抓取起始网页中链接的所有网页,然后再选择其中的一个链接网页,继续抓取在此网页中链接的所有网页。还是以上面的图为例:


遍历路径:A-B-C-D-E-F G H I


3.反向链接数策略


反向链接数是指一个网页被其他网页链接指向的数量。反向链接数表示的是一个网页的内容受到其他人的推荐的程度。因此,很多时候搜索引擎的抓取系统会使用这个指标来评价网页的重要程度,从而决定不同网页的抓取先后顺序。


在真实的网络环境中,由于广告链接、作弊链接的存在,反向链接数不能完全等他我那个也的重要程度。因此,搜索引擎往往考虑一些可靠的反向链接数。


4.Partial PageRank策略


Partial PageRank算法借鉴了PageRank算法的思想:对于已经下载的网页,连同待抓取URL队列中的URL,形成网页集合,计算每个页面的 PageRank值,计算完之后,将待抓取URL队列中的URL按照PageRank值的大小排列,并按照该顺序抓取页面。


如果每次抓取一个页面,就重新计算PageRank值,一种折中方案是:每抓取K个页面后,重新计算一次PageRank值。但是这种情况还会有一个问 题:对于已经下载下来的页面中分析出的链接,也就是我们之前提到的未知网页那一部分,暂时是没有PageRank值的。为了解决这个问题,会给这些页面一 个临时的PageRank值:将这个网页所有入链传递进来的PageRank值进行汇总,这样就形成了该未知页面的PageRank值,从而参与排序。下 面举例说明:


5.OPIC策略策略


该算法实际上也是对页面进行一个重要性打分。在算法开始前,给所有页面一个相同的初始现金(cash)。当下载了某个页面P之后,将P的现金分摊给所有从P中分析出的链接,并且将P的现金清空。对于待抓取URL队列中的所有页面按照现金数进行排序。


6.大站优先策略


对于待抓取URL队列中的所有网页,根据所属的网站进行分类。对于待下载页面数多的网站,优先下载。这个策略也因此叫做大站优先策略。 

转载注明来自:智游代理IP http://www.zhiyoudaili.com/

相关文章内容简介

1 为什么爬虫需要代理IP

现在已经是大数据时代,爬虫是数据采集的重要手段,而爬虫在数据采集的过程中,常常会因为IP受到限制而无法继续采集,这时候需要更换爬虫的IP才能继续下去。爬虫的IP在数据采集的过程中为什么会受到限制呢?因为现在很多网站都会有反爬虫措施,爬虫在采集过程中会发出大量的请求,触发了网站的反爬虫措施,因此IP就会被限制,导致采集工作无法继续。如果想让爬虫继续下去,就需要更换它的IP,而代理IP就是一种快捷方便的换IP工具,爬虫换了新的IP之后就可以继续工作了。我们使用爬虫,最大的目的就是为了提高工作效率,如果IP受限就毫无效率可言,所以为了保证爬虫的效率,搭配稳定可靠的代理IP就显得非常必要了。... [阅读全文]

2 优质爬虫http代理ip怎么选择?

最近跟多个爬虫采集的客户聊天,无论互联网行业发展到何种地步,“资源”永远是任何互联网公司必不可少的弹药粮草。夸大些讲,任何一个互联网公司都会用到不同类型的数据。那么数据从何而来,这就要讲到爬虫http代理IP的重要性了。因为我们的爬虫采集无论如何都绕不过去http爬虫IP代理。传统意义上讲,代理服务器主要用于安全领域,而爬虫代理IP主要用于突破互联网访问限制,但今天,随着我们对营销要求的提高,高质量代理IP就起到了必不可少的作用。1、高质量代理IP是什么?所谓高质量代理IP,必须要具体3个特点:A.高匿名,B.私密性,C.纯净资源;2、如何做到“高匿名”?智游代理所提供的高质量代理ip均为高匿类型,对方服务器检测不到你的真实源IP。3、如何做到“私密性”?在使用智游代理所提供的代理IP时,可以使用安全IP白名单授权,并且是即时生效型,即只有绑定的IP才可以使用代理IP,最大化化解客户IP所有权的安全问题。4、什么是“纯净资源”?智游代理的IP的资源来自自建机房,阿里云平台进行节点管理和运营支撑,也有P2P CDN节点,这种IP具有活跃时间长,真实... [阅读全文]

热门标签