柚子快報(bào)激活碼778899分享：深入淺析帶你理解網(wǎng)絡(luò)爬蟲

http://yzkb.51969.com/

目錄

一.引言

二.網(wǎng)絡(luò)爬蟲產(chǎn)生的背景

三.爬蟲背后的相關(guān)技術(shù)和原理

1.插入U(xiǎn)RL的概念解析

2.常見的幾種URL格式

四.網(wǎng)絡(luò)爬蟲的分類

1.通用網(wǎng)絡(luò)爬蟲

2.聚焦網(wǎng)絡(luò)爬蟲

3.增量式網(wǎng)絡(luò)爬蟲

4.Deep Web爬蟲

一.引言

網(wǎng)絡(luò)爬蟲是一種自動獲取網(wǎng)頁內(nèi)容的程序或技術(shù)。它就像一只“小蜘蛛”，在互聯(lián)網(wǎng)上爬行，抓取各種信息。 ? 想象一下，網(wǎng)絡(luò)就像一張大網(wǎng)，上面有無數(shù)的網(wǎng)頁，而爬蟲就是在這張網(wǎng)上穿梭的“小蟲子”。它可以根據(jù)預(yù)設(shè)的規(guī)則和目標(biāo)，自動訪問大量的網(wǎng)頁，并提取出有用的數(shù)據(jù)。 ? 爬蟲的工作原理通常是通過發(fā)送請求給服務(wù)器，獲取網(wǎng)頁的源代碼，然后解析這些源代碼，找到需要的信息。這些信息可以是文本、圖片、鏈接、表格等等。爬蟲可以將這些信息存儲下來，以便后續(xù)的分析和處理。 ? 網(wǎng)絡(luò)爬蟲有很多用途。比如，搜索引擎需要使用爬蟲來索引網(wǎng)頁，以便用戶可以搜索到相關(guān)的內(nèi)容。數(shù)據(jù)分析師可以使用爬蟲來收集數(shù)據(jù)，進(jìn)行市場研究、競品分析等

二.網(wǎng)絡(luò)爬蟲產(chǎn)生的背景

隨著網(wǎng)絡(luò)的迅速發(fā)展，萬維網(wǎng)成為大量信息的載體，如何有效地提取并利用這些信息成為一個(gè)巨大的挑戰(zhàn)。搜索引擎（Search Engine），例如傳統(tǒng)的通用搜索引擎AltaVista，Yahoo！和Google等，作為一個(gè)輔助人們檢索信息的工具成為用戶訪問萬維網(wǎng)的入口和指南。但是，這些通用性搜索引擎也存在著一定的局限性，如：

（1）不同領(lǐng)域、不同背景的用戶往往具有不同的檢索目的和需求，通過搜索引擎所返回的結(jié)果包含大量用戶不關(guān)心的網(wǎng)頁。（2）通用搜索引擎的目標(biāo)是盡可能大的網(wǎng)絡(luò)覆蓋率，有限的搜索引擎服務(wù)器資源與無限的網(wǎng)絡(luò)數(shù)據(jù)資源之間的矛盾將進(jìn)一步加深。（3）萬維網(wǎng)數(shù)據(jù)形式的豐富和網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，圖片、數(shù)據(jù)庫、音頻、視頻多媒體等不同數(shù)據(jù)大量出現(xiàn)，通用搜索引擎往往對這些信息含量密集且具有一定結(jié)構(gòu)的數(shù)據(jù)無能為力，不能很好地發(fā)現(xiàn)和獲取。（4）通用搜索引擎大多提供基于關(guān)鍵字的檢索，難以支持根據(jù)語義信息提出的查詢。

網(wǎng)絡(luò)爬蟲

為了解決上述問題，定向抓取相關(guān)網(wǎng)頁資源的聚焦爬蟲應(yīng)運(yùn)而生。聚焦爬蟲是一個(gè)自動下載網(wǎng)頁的程序，它根據(jù)既定的抓取目標(biāo)，有選擇的訪問萬維網(wǎng)上的網(wǎng)頁與相關(guān)的鏈接，獲取所需要的信息。與通用爬蟲（general purpose web crawler）不同，聚焦爬蟲并不追求大的覆蓋，而將目標(biāo)定為抓取與某一特定主題內(nèi)容相關(guān)的網(wǎng)頁，為面向主題的用戶查詢準(zhǔn)備數(shù)據(jù)資源。

三.爬蟲背后的相關(guān)技術(shù)和原理

網(wǎng)絡(luò)爬蟲是一個(gè)自動提取網(wǎng)頁的程序，它為搜索引擎從萬維網(wǎng)上下載網(wǎng)頁，是搜索引擎的重要組成。傳統(tǒng)爬蟲從一個(gè)或若干初始網(wǎng)頁的URL開始，獲得初始網(wǎng)頁上的URL，在抓取網(wǎng)頁的過程中，不斷從當(dāng)前頁面上抽取新的URL放入隊(duì)列，直到滿足系統(tǒng)的一定停止條件。聚焦爬蟲的工作流程較為復(fù)雜，需要根據(jù)一定的網(wǎng)頁分析算法過濾與主題無關(guān)的鏈接，保留有用的鏈接并將其放入等待抓取的URL隊(duì)列。然后，它將根據(jù)一定的搜索策略從隊(duì)列中選擇下一步要抓取的網(wǎng)頁URL，并重復(fù)上述過程，直到達(dá)到系統(tǒng)的某一條件時(shí)停止。另外，所有被爬蟲抓取的網(wǎng)頁將會被系統(tǒng)存儲，進(jìn)行一定的分析、過濾，并建立索引，以便之后的查詢和檢索；對于聚焦爬蟲來說，這一過程所得到的分析結(jié)果還可能對以后的抓取過程給出反饋和指導(dǎo)。

（1）對抓取目標(biāo)的描述或定義；（2）對網(wǎng)頁或數(shù)據(jù)的分析與過濾；（3）對URL的搜索策略。

1.插入U(xiǎn)RL的概念解析

URL 是“Uniform Resource Locator”的縮寫，中文叫“統(tǒng)一資源定位符”。它就像是互聯(lián)網(wǎng)世界的地址，用來定位和訪問各種資源。

一個(gè) URL 通常由幾個(gè)部分組成，例如“https://www.example.com/page.html”。其中，“https”是協(xié)議部分，指定了使用的網(wǎng)絡(luò)協(xié)議（這里是 HTTPS，一種安全的 HTTP 協(xié)議）；“www.example.com”是域名，它對應(yīng)著互聯(lián)網(wǎng)上的一個(gè)服務(wù)器；“page.html”是資源路徑，指定了要訪問的具體文件或頁面。 ? 通過輸入或點(diǎn)擊 URL，我們的瀏覽器就知道要去哪里獲取我們想要的資源，比如網(wǎng)頁、圖片、音頻、視頻等等。所以，URL 是互聯(lián)網(wǎng)中非常重要的一部分，它使得我們能夠方便地找到和訪問各種信息

2.常見的幾種URL格式

- http://：這是最常見的 URL 格式，用于訪問通過 HTTP（超文本傳輸協(xié)議）傳輸?shù)馁Y源。例如：“http://www.example.com/”。 - https://：這是一種安全的 URL 格式，使用了 HTTPS（安全的 HTTP）協(xié)議來進(jìn)行加密傳輸。例如：“https://www.secured-site.com/”。 - ftp://：用于訪問通過 FTP（文件傳輸協(xié)議）傳輸?shù)奈募?。例如：“ftp://ftp.example.org/”。 - mailto://：用于創(chuàng)建一個(gè)電子郵件鏈接。例如：“mailto:info@example.com”。 - tel://：用于創(chuàng)建一個(gè)電話號碼鏈接。例如：“tel:+123-456-7890”。 - ssh://：用于訪問通過 SSH（安全外殼協(xié)議）連接的遠(yuǎn)程服務(wù)器。例如：“ssh://user@server.example/”。 - irc://：用于訪問 IRC（互聯(lián)網(wǎng)中繼聊天）頻道。例如：“irc://irc.example.net/#channel”。 - magnet://：用于磁力鏈接，通常用于下載torrent 文件。例如：“magnet:?xt=urn:btih:1234567890”。

四.網(wǎng)絡(luò)爬蟲的分類

網(wǎng)絡(luò)爬蟲按照系統(tǒng)結(jié)構(gòu)和實(shí)現(xiàn)技術(shù)，分為以下幾種類型：通用網(wǎng)絡(luò)爬蟲（General Purpose Web Crawler）、聚焦網(wǎng)絡(luò)爬蟲（Focused Web Crawler）、增量式網(wǎng)絡(luò)爬蟲（Incremental Web Crawler）、深層網(wǎng)絡(luò)爬蟲（Deep Web Crawler）。實(shí)際的網(wǎng)絡(luò)爬蟲系統(tǒng)通常是幾種爬蟲技術(shù)相結(jié)合實(shí)現(xiàn)的。

1.通用網(wǎng)絡(luò)爬蟲

通用網(wǎng)絡(luò)爬蟲又稱全網(wǎng)爬蟲（Scalable Web Crawler），爬行對象從一些種子URL擴(kuò)充到整個(gè)Web，主要為門戶站點(diǎn)搜索引擎和大型Web服務(wù)提供商采集數(shù)據(jù)。由于商業(yè)原因，它們的技術(shù)細(xì)節(jié)很少公布出來。這類網(wǎng)絡(luò)爬蟲的爬行范圍和數(shù)量巨大，對于爬行速度和存儲空間要求較高，對于爬行頁面的順序要求相對較低，同時(shí)由于待刷新的頁面太多，通常采用并行工作方式，但需要較長時(shí)間才能刷新一次頁面。雖然存在一定缺陷，通用網(wǎng)絡(luò)爬蟲適用于為搜索引擎搜索廣泛的主題，有較強(qiáng)的應(yīng)用價(jià)值。

通用網(wǎng)絡(luò)爬蟲的結(jié)構(gòu)大致可以分為頁面爬行模塊、頁面分析模塊、鏈接過濾模塊、頁面數(shù)據(jù)庫、URL隊(duì)列、初始URL集合幾個(gè)部分。為提高工作效率，通用網(wǎng)絡(luò)爬蟲會采取一定的爬行策略。常用的爬行策略有：深度優(yōu)先策略、廣度優(yōu)先策略。

（1）深度優(yōu)先策略：其基本方法是按照深度由低到高的順序，依次訪問下一級網(wǎng)頁鏈接，直到不能再深入為止。爬蟲在完成一個(gè)爬行分支后返回到上一鏈接節(jié)點(diǎn)進(jìn)一步搜索其它鏈接。當(dāng)所有鏈接遍歷完后，爬行任務(wù)結(jié)束。這種策略比較適合垂直搜索或站內(nèi)搜索，但爬行頁面內(nèi)容層次較深的站點(diǎn)時(shí)會造成資源的巨大浪費(fèi)。（2）廣度優(yōu)先策略：此策略按照網(wǎng)頁內(nèi)容目錄層次深淺來爬行頁面，處于較淺目錄層次的頁面首先被爬行。當(dāng)同一層次中的頁面爬行完畢后，爬蟲再深入下一層繼續(xù)爬行。這種策略能夠有效控制頁面的爬行深度，避免遇到一個(gè)無窮深層分支時(shí)無法結(jié)束爬行的問題，實(shí)現(xiàn)方便，無需存儲大量中間節(jié)點(diǎn)，不足之處在于需較長時(shí)間才能爬行到目錄層次較深的頁面。

2.聚焦網(wǎng)絡(luò)爬蟲

聚焦網(wǎng)絡(luò)爬蟲（Focused Crawler），又稱主題網(wǎng)絡(luò)爬蟲（Topical Crawler），是指選擇性地爬行那些與預(yù)先定義好的主題相關(guān)頁面的網(wǎng)絡(luò)爬蟲。和通用網(wǎng)絡(luò)爬蟲相比，聚焦爬蟲只需要爬行與主題相關(guān)的頁面，極大地節(jié)省了硬件和網(wǎng)絡(luò)資源，保存的頁面也由于數(shù)量少而更新快，還可以很好地滿足一些特定人群對特定領(lǐng)域信息的需求。

聚焦網(wǎng)絡(luò)爬蟲和通用網(wǎng)絡(luò)爬蟲相比，增加了鏈接評價(jià)模塊以及內(nèi)容評價(jià)模塊。聚焦爬蟲爬行策略實(shí)現(xiàn)的關(guān)鍵是評價(jià)頁面內(nèi)容和鏈接的重要性，不同的方法計(jì)算出的重要性不同，由此導(dǎo)致鏈接的訪問順序也不同。

（1）基于內(nèi)容評價(jià)的爬行策略：DeBra將文本相似度的計(jì)算方法引入到網(wǎng)絡(luò)爬蟲中，提出了Fish Search算法，它將用戶輸入的查詢詞作為主題，包含查詢詞的頁面被視為與主題相關(guān)，其局限性在于無法評價(jià)頁面與主題相關(guān)度的高低。Herseovic對 Fish Search算法進(jìn)行了改進(jìn)，提出了Sharksearch算法，利用空間向量模型計(jì)算頁面與主題的相關(guān)度大小。（2）基于鏈接結(jié)構(gòu)評價(jià)的爬行策略：Web頁面作為一種半結(jié)構(gòu)化文檔，包含很多結(jié)構(gòu)信息，可用來評價(jià)鏈接重要性。PageRank算法最初用于搜索引擎信息檢索中對查詢結(jié)果進(jìn)行排序，也可用于評價(jià)鏈接重要性，具體做法就是每次選擇PageRank值較大頁面中的鏈接來訪問。另一個(gè)利用Web結(jié)構(gòu)評價(jià)鏈接價(jià)值的方法是HITS方法，它通過計(jì)算每個(gè)已訪問頁面的Authority權(quán)重和Hub權(quán)重，并以此決定鏈接的訪問順序。（3）基于增強(qiáng)學(xué)習(xí)的爬行策略：Rennie和McCallum將增強(qiáng)學(xué)習(xí)引入聚焦爬蟲，利用貝葉斯分類器，根據(jù)整個(gè)網(wǎng)頁文本和鏈接文本對超鏈接進(jìn)行分類，為每個(gè)鏈接計(jì)算出重要性，從而決定鏈接的訪問順序。（4）基于語境圖的爬行策略：Diligenti等人提出了一種通過建立語境圖（Context Graphs）學(xué)習(xí)網(wǎng)頁之間的相關(guān)度，訓(xùn)練一個(gè)機(jī)器學(xué)習(xí)系統(tǒng)，通過該系統(tǒng)可計(jì)算當(dāng)前頁面到相關(guān)Web頁面的距離，距離越近的頁面中的鏈接優(yōu)先訪問。印度理工大學(xué)（IIT）和IBM研究中心的研究人員開發(fā)了一個(gè)典型的聚焦網(wǎng)絡(luò)爬蟲。該爬蟲對主題的定義既不是采用關(guān)鍵詞也不是加權(quán)矢量，而是一組具有相同主題的網(wǎng)頁。它包含兩個(gè)重要模塊：一個(gè)是分類器，用來計(jì)算所爬行的頁面與主題的相關(guān)度，確定是否與主題相關(guān)；另一個(gè)是凈化器，用來識別通過較少鏈接連接到大量相關(guān)頁面的中心頁面。

3.增量式網(wǎng)絡(luò)爬蟲

增量式網(wǎng)絡(luò)爬蟲（Incremental Web Crawler）是指對已下載網(wǎng)頁采取增量式更新和只爬行新產(chǎn)生的或者已經(jīng)發(fā)生變化網(wǎng)頁的爬蟲，它能夠在一定程度上保證所爬行的頁面是盡可能新的頁面。和周期性爬行和刷新頁面的網(wǎng)絡(luò)爬蟲相比，增量式爬蟲只會在需要的時(shí)候爬行新產(chǎn)生或發(fā)生更新的頁面，并不重新下載沒有發(fā)生變化的頁面，可有效減少數(shù)據(jù)下載量，及時(shí)更新已爬行的網(wǎng)頁，減小時(shí)間和空間上的耗費(fèi)，但是增加了爬行算法的復(fù)雜度和實(shí)現(xiàn)難度。增量式網(wǎng)絡(luò)爬蟲的體系結(jié)構(gòu)[包含爬行模塊、排序模塊、更新模塊、本地頁面集、待爬行URL集以及本地頁面URL集]。

增量式爬蟲有兩個(gè)目標(biāo)：保持本地頁面集中存儲的頁面為最新頁面和提高本地頁面集中頁面的質(zhì)量。為實(shí)現(xiàn)第一個(gè)目標(biāo)，增量式爬蟲需要通過重新訪問網(wǎng)頁來更新本地頁面集中頁面內(nèi)容，常用的方法有：

（1）統(tǒng)一更新法：爬蟲以相同的頻率訪問所有網(wǎng)頁，不考慮網(wǎng)頁的改變頻率；（2）個(gè)體更新法：爬蟲根據(jù)個(gè)體網(wǎng)頁的改變頻率來重新訪問各頁面；（3）基于分類的更新法：爬蟲根據(jù)網(wǎng)頁改變頻率將其分為更新較快網(wǎng)頁子集和更新較慢網(wǎng)頁子集兩類，然后以不同的頻率訪問這兩類網(wǎng)頁。

為實(shí)現(xiàn)第二個(gè)目標(biāo)，增量式爬蟲需要對網(wǎng)頁的重要性排序，常用的策略有：廣度優(yōu)先策略、PageRank優(yōu)先策略等。IBM開發(fā)的WebFountain是一個(gè)功能強(qiáng)大的增量式網(wǎng)絡(luò)爬蟲，它采用一個(gè)優(yōu)化模型控制爬行過程，并沒有對頁面變化過程做任何統(tǒng)計(jì)假設(shè)，而是采用一種自適應(yīng)的方法根據(jù)先前爬行周期里爬行結(jié)果和網(wǎng)頁實(shí)際變化速度對頁面更新頻率進(jìn)行調(diào)整。北京大學(xué)的天網(wǎng)增量爬行系統(tǒng)旨在爬行國內(nèi)Web，將網(wǎng)頁分為變化網(wǎng)頁和新網(wǎng)頁兩類，分別采用不同爬行策略。為緩解對大量網(wǎng)頁變化歷史維護(hù)導(dǎo)致的性能瓶頸，它根據(jù)網(wǎng)頁變化時(shí)間局部性規(guī)律，在短時(shí)期內(nèi)直接爬行多次變化的網(wǎng)頁，為盡快獲取新網(wǎng)頁，它利用索引型網(wǎng)頁跟蹤新出現(xiàn)網(wǎng)頁。

4.Deep Web爬蟲

Web頁面按存在方式可以分為表層網(wǎng)頁（Surface Web）和深層網(wǎng)頁（Deep Web，也稱Invisible Web Pages 或Hidden Web）。表層網(wǎng)頁是指傳統(tǒng)搜索引擎可以索引的頁面，以超鏈接可以到達(dá)的靜態(tài)網(wǎng)頁為主構(gòu)成的Web頁面。Deep Web是那些大部分內(nèi)容不能通過靜態(tài)鏈接獲取的、隱藏在搜索表單后的，只有用戶提交一些關(guān)鍵詞才能獲得的Web頁面。例如那些用戶注冊后內(nèi)容才可見的網(wǎng)頁就屬于Deep Web。2000年Bright Planet指出：Deep Web中可訪問信息容量是Surface Web的幾百倍，是互聯(lián)網(wǎng)上最大、發(fā)展最快的新型信息資源。

Deep Web爬蟲體系結(jié)構(gòu)包含六個(gè)基本功能模塊（爬行控制器、解析器、表單分析器、表單處理器、響應(yīng)分析器、LVS控制器）和兩個(gè)爬蟲內(nèi)部數(shù)據(jù)結(jié)構(gòu)（URL列表、LVS表）。其中LVS（Label Value Set）表示標(biāo)簽/數(shù)值集合，用來表示填充表單的數(shù)據(jù)源。

Deep Web爬蟲爬行過程中最重要部分就是表單填寫，包含兩種類型：

（1）基于領(lǐng)域知識的表單填寫：

此方法一般會維持一個(gè)本體庫，通過語義分析來選取合適的關(guān)鍵詞填寫表單。Yiyao Lu等人提出一種獲取Form表單信息的多注解方法，將數(shù)據(jù)表單按語義分配到各個(gè)組中，對每組從多方面注解，結(jié)合各種注解結(jié)果來預(yù)測一個(gè)最終的注解標(biāo)簽；鄭冬冬等人利用一個(gè)預(yù)定義的領(lǐng)域本體知識庫來識別Deep Web頁面內(nèi)容，同時(shí)利用一些來自Web站點(diǎn)導(dǎo)航模式來識別自動填寫表單時(shí)所需進(jìn)行的路徑導(dǎo)航。

（2）基于網(wǎng)頁結(jié)構(gòu)分析的表單填寫：

此方法一般無領(lǐng)域知識或僅有有限的領(lǐng)域知識，將網(wǎng)頁表單表示成DOM樹，從中提取表單各字段值。Desouky等人提出一種LEHW方法，該方法將HTML網(wǎng)頁表示為DOM樹形式，將表單區(qū)分為單屬性表單和多屬性表單，分別進(jìn)行處理；孫彬等人提出一種基于XQuery的搜索系統(tǒng)，它能夠模擬表單和特殊頁面標(biāo)記切換，把網(wǎng)頁關(guān)鍵字切換信息描述為三元組單元，按照一定規(guī)則排除無效表單，將Web文檔構(gòu)造成DOM樹，利用XQuery將文字屬性映射到表單字段。

Raghavan等人提出的HIWE系統(tǒng)中，爬行管理器負(fù)責(zé)管理整個(gè)爬行過程，分析下載的頁面，將包含表單的頁面提交表單處理器處理，表單處理器先從頁面中提取表單，從預(yù)先準(zhǔn)備好的數(shù)據(jù)集中選擇數(shù)據(jù)自動填充并提交表單，由爬行控制器下載相應(yīng)的結(jié)果頁面

柚子快報(bào)激活碼778899分享：深入淺析帶你理解網(wǎng)絡(luò)爬蟲

http://yzkb.51969.com/

推薦文章