通用爬蟲
通用網(wǎng)絡(luò)爬蟲 是 捜索引擎抓取系統(tǒng)（Baidu藤抡、Google纺座、Yahoo等）的重要組成部分厉熟。主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁下載到本地导盅，形成一個(gè)互聯(lián)網(wǎng)內(nèi)容的鏡像備份。
通用搜索引擎（Search Engine）工作原理
通用網(wǎng)絡(luò)爬蟲?從互聯(lián)網(wǎng)中搜集網(wǎng)頁揍瑟，采集信息白翻，這些網(wǎng)頁信息用于為搜索引擎建立索引從而提供支持，它決定著整個(gè)引擎系統(tǒng)的內(nèi)容是否豐富绢片，信息是否即時(shí)滤馍，因此其性能的優(yōu)劣直接影響著搜索引擎的效果。
第一步：抓取網(wǎng)頁
搜索引擎網(wǎng)絡(luò)爬蟲的基本工作流程如下：
? ? ? ? 1. ?首先選取一部分的種子URL底循，將這些URL放入待抓取URL隊(duì)列巢株；
? ? ? ? 2.取出待抓取URL，解析DNS得到主機(jī)的IP熙涤，并將URL對(duì)應(yīng)的網(wǎng)頁下載下來阁苞，存儲(chǔ)進(jìn)已下載網(wǎng)頁庫中，并且將這些URL放進(jìn)已抓取URL隊(duì)列灭袁。
? ? ? ? 3.分析已抓取URL隊(duì)列中的URL猬错，分析其中的其他URL，并且將URL放入待抓取URL隊(duì)列茸歧，從而進(jìn)入下一個(gè)循環(huán)....
搜索引擎如何獲取一個(gè)新網(wǎng)站的URL：
? ? ?1. 新網(wǎng)站向搜索引擎主動(dòng)提交網(wǎng)址：（如百度http://zhanzhang.baidu.com/linksubmit/url）
?????2. 在其他網(wǎng)站上設(shè)置新網(wǎng)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(wù)商(如DNSPod等）合作倦炒，新網(wǎng)站域名將被迅速抓取
但是搜索引擎蜘蛛的爬行是被輸入了一定的規(guī)則的，它需要遵從一些命令或文件的內(nèi)容软瞎，如標(biāo)注為nofollow的鏈接逢唤，或者是Robots協(xié)議。
Robots協(xié)議（也叫爬蟲協(xié)議涤浇、機(jī)器人協(xié)議等）鳖藕，全稱是“網(wǎng)絡(luò)爬蟲排除標(biāo)準(zhǔn)”（Robots Exclusion Protocol），網(wǎng)站通過Robots協(xié)議告訴搜索引擎哪些頁面可以抓取只锭，哪些頁面不能抓取著恩，例如：
????????淘寶網(wǎng)：https://www.taobao.com/robots.txt
????????騰訊網(wǎng)：?http://www.qq.com/robots.txt
第二步：數(shù)據(jù)存儲(chǔ)
????????搜索引擎通過爬蟲爬取到的網(wǎng)頁，將數(shù)據(jù)存入原始頁面數(shù)據(jù)庫蜻展。其中的頁面數(shù)據(jù)與用戶瀏覽器得到的HTML是完全一樣的喉誊。
????????搜索引擎蜘蛛在抓取頁面時(shí)，也做一定的重復(fù)內(nèi)容檢測纵顾，一旦遇到訪問權(quán)重很低的網(wǎng)站上有大量抄襲伍茄、采集或者復(fù)制的內(nèi)容，很可能就不再爬行施逾。
第三步：預(yù)處理
搜索引擎將爬蟲抓取回來的頁面敷矫，進(jìn)行各種步驟的預(yù)處理例获。
提取文字
中文分詞
消除噪音（比如版權(quán)聲明文字、導(dǎo)航條曹仗、廣告等……）
索引處理
鏈接關(guān)系計(jì)算
特殊文件處理
....
除了HTML文件外榨汤，搜索引擎通常還能抓取和索引以文字為基礎(chǔ)的多種文件類型，如 PDF整葡、Word件余、WPS、XLS遭居、PPT啼器、TXT 文件等。我們在搜索結(jié)果中也經(jīng)常會(huì)看到這些文件類型俱萍。
但搜索引擎還不能處理圖片端壳、視頻、Flash 這類非文字內(nèi)容枪蘑，也不能執(zhí)行腳本和程序损谦。
第四步：提供檢索服務(wù)，網(wǎng)站排名
搜索引擎在對(duì)信息進(jìn)行組織和處理后岳颇，為用戶提供關(guān)鍵字檢索服務(wù)照捡，將用戶檢索相關(guān)的信息展示給用戶。
同時(shí)會(huì)根據(jù)頁面的PageRank值（鏈接的訪問量排名）來進(jìn)行網(wǎng)站排名话侧，這樣Rank值高的網(wǎng)站在搜索結(jié)果中會(huì)排名較前栗精，當(dāng)然也可以直接使用 Money 購買搜索引擎網(wǎng)站排名，簡單粗暴瞻鹏。
但是悲立，這些通用性搜索引擎也存在著一定的局限性：
????????通用搜索引擎所返回的結(jié)果都是網(wǎng)頁，而大多情況下新博，網(wǎng)頁里90%的內(nèi)容對(duì)用戶來說都是無用的薪夕。
????????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赫悄，搜索引擎無法提供針對(duì)具體某個(gè)用戶的搜索結(jié)果原献。
????????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，圖片埂淮、數(shù)據(jù)庫嚼贡、音頻、視頻多媒體等不同數(shù)據(jù)大量出現(xiàn)同诫，通用搜索引擎對(duì)這些文件無能為力，不能很好地發(fā)現(xiàn)和獲取樟澜。
????????通用搜索引擎大多提供基于關(guān)鍵字的檢索误窖，難以支持根據(jù)語義信息提出的查詢叮盘，無法準(zhǔn)確理解用戶的具體需求。
針對(duì)這些情況霹俺，聚焦爬蟲技術(shù)得以廣泛使用柔吼。
聚焦爬蟲
聚焦爬蟲，是"面向特定主題需求"的一種網(wǎng)絡(luò)爬蟲程序丙唧，它與通用搜索引擎爬蟲的區(qū)別在于：?聚焦爬蟲在實(shí)施網(wǎng)頁抓取時(shí)會(huì)對(duì)內(nèi)容進(jìn)行處理篩選愈魏，盡量保證只抓取與需求相關(guān)的網(wǎng)頁信息。
