通用爬蟲和聚焦爬蟲

根據(jù)使用場景，網(wǎng)絡爬蟲可分為 通用爬蟲 和 聚焦爬蟲 兩種.

通用爬蟲

通用網(wǎng)絡爬蟲是捜索引擎抓取系統(tǒng)（Baidu、google、Yahoo等）的重要組成部分。主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁下載到本地，形成一個互聯(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)絡爬蟲 從互聯(lián)網(wǎng)中搜集網(wǎng)頁，采集信息，這些網(wǎng)頁信息用于為搜索引擎建立索引從而提供支持，它決定著整個引擎系統(tǒng)的內(nèi)容是否豐富，信息是否即時，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)絡爬蟲的基本工作流程如下：

首先選取一部分的種子URL，將這些URL放入待抓取URL隊列；
取出待抓取URL，解析DNS得到主機的IP，并將URL對應的網(wǎng)頁下載下來，存儲進已下載網(wǎng)頁庫中，并且將這些URL放進已抓取URL隊列。
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)....

搜索引擎如何獲取一個新網(wǎng)站的URL：

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

2. 在其他網(wǎng)站上設置新網(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解析服務商(如DNSPod等）合作，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，如標注為nofollow的鏈接，或者是Robots協(xié)議。

Robots協(xié)議（也叫爬蟲協(xié)議、機器人協(xié)議等），全稱是“網(wǎng)絡爬蟲排除標準”（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，哪些頁面不能抓取，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

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。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。

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

第三步：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。

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(jīng)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(nèi)容，也不能執(zhí)行腳本和程序。

第四步：提供檢索服務，網(wǎng)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(jù)頁面的PageRank值（鏈接的訪問量排名）來進行網(wǎng)站排名，這樣Rank值高的網(wǎng)站在搜索結果中會排名較前，當然也可以直接使用 Money 購買搜索引擎網(wǎng)站排名，簡單粗暴。

但是，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果都是網(wǎng)頁，而大多情況下，網(wǎng)頁里90%的內(nèi)容對用戶來說都是無用的。
不同領域、不同背景的用戶往往具有不同的檢索目的和需求，搜索引擎無法提供針對具體某個用戶的搜索結果。
萬維網(wǎng)數(shù)據(jù)形式的豐富和網(wǎng)絡技術的不斷發(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)，通用搜索引擎對這些文件無能為力，不能很好地發(fā)現(xiàn)和獲取。
通用搜索引擎大多提供基于關鍵字的檢索，難以支持根據(jù)語義信息提出的查詢，無法準確理解用戶的具體需求。

針對這些情況，聚焦爬蟲技術得以廣泛使用。