通用爬虫的概念简述

一、🌈什么是通用爬虫

通用爬虫（General Purpose Web Crawler或Scalable Web Crawler）是一种网络爬虫，其设计目标是对整个互联网或尽可能广泛的网络空间进行数据抓取。通用爬虫主要用于搜索引擎构建其庞大的网页索引数据库，从互联网中自动爬取、下载网页内容，形成网页的海量集合，以便后续对这些数据进行索引、存储和搜索。
在这里插入图片描述

通用网络爬虫是搜索引擎抓取系统（Baidu、Google、Yahoo等)重要组成部分。主要目的是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份。

通用搜索引擎（Search Engine）工作原理

通用网络爬虫从互联网中搜集网页，采集信息，这些网页信息用于为搜索引擎建立索引从而提供支持，它决定着整个引擎系统的内容是否丰富，信息是否即时，因此其性能的优劣直接影响着搜索引擎的效果。

二、🌈特点

全面性：起始点通常是少数几个种子URL，然后通过跟踪网页上的超链接逐渐扩展到整个互联网。
大规模：能够处理数以亿计的网页，并持续不断地更新和增加新的网页数据。
高效性：采用高效的爬取策略，例如广度优先搜索、深度优先搜索或是更复杂的启发式算法，以最合理的方式遍历互联网。
自我更新：定期重新抓取网页以更新索引内容，对于高权重或频繁更新的网站可能会更频繁地抓取。
策略调整：根据网站的robots.txt协议以及爬虫道德规范，控制抓取速度和频率，避免给网站服务器带来过大压力。
分布式架构：由于要处理的数据量极其庞大，往往采用分布式计算架构，实现多线程或多机并行爬取。

搜索引擎网络爬虫的基本工作流程如下：

首先选取一部分的种子URL，将这些URL放入待抓取URl队列；
取出待抓取URL，解析DNS得到主机IP，并将URL对应的网页下载下来，存储进已下载网页中，并将这些URL放进抓取URL队列
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……

搜索引擎如何获取一个新网站的URL：

新网站向搜索引擎主动提交网址：（如百度http://zhanzhang.baidu.com/linksubmit/url)
在其他网站上设置新网站外链（尽可能处于搜索引擎爬虫爬取范围）
搜索引擎和DNS解析服务商（如：DNSpod等）合作，新网站域名将被迅速抓取。

在这里插入图片描述

三、🌈步骤

定义抓取目标与范围：
- 明确爬虫的目的，即需要从哪些网站或什么样的网页中获取什么类型的数据。
- 设定抓取的深度限制，比如是否仅抓取特定层级的链接，还是全网爬取。
制定抓取策略：
- 确定爬虫的起始URL列表，也就是所谓的“种子”URL。
- 制定URL发现规则，比如通过HTML中的<a>标签提取链接，或者根据网站的结构决定抓取路径。
- 设定抓取频率、延迟以及其他策略，以遵守网站的robots.txt协议和尊重网站服务器的资源。
发送HTTP请求：
- 使用HTTP客户端库（如Python的Requests库）向目标URL发送GET或POST请求。
- 根据需要配置请求头，模拟浏览器行为，包括User-Agent、Cookies、Referer等，以降低被目标网站识别为爬虫的风险。
- 可能还需要使用代理IP或其他手段来绕过访问限制。
接收和解析响应：
- 接收服务器返回的HTTP响应，获取网页内容。
- 使用HTML或XML解析器（如BeautifulSoup、lxml、PyQuery或基于DOM的解析方式）解析网页结构。
- 对于非HTML内容，可能需要相应的内容解析方法，如JSON、XML等。
提取数据：
- 根据预先设定好的规则，从网页内容中提取有用数据，例如文本、图片、链接或者其他特定元素。
- 可能需要用到CSS选择器、XPath或其他模式匹配技术。
URL管理与调度：
- 将解析得到的新URL添加到URL队列中，等待爬取。
- 实现URL去重，避免爬取已访问过的网页。
- 根据策略从队列中取出URL进行下一步抓取。
数据存储：
- 将爬取的数据储存到本地文件、数据库或者云端存储服务。
- 数据可能需要清洗、转换或结构化以便后续分析和使用。
监控与终止条件：
- 设置适当的爬虫运行监控，包括错误处理、性能监控及资源占用情况。
- 定义停止抓取的条件，比如达到预定抓取数量、抓取时间限制、磁盘空间不足等。
循环迭代：
- 持续从URL队列中获取新的URL进行抓取，直至满足停止条件。