crawler_浅谈网络爬虫

题记:

　　1024,今天是个程序猿的节日 ，哈哈，转为正题，从事了一线网络爬虫开发有近1000天。简单阐述下个人对网络爬虫的理解。

提纲：

    1：是什么

    2：能做什么

    3：怎么做

　 4：综述

      1：是什么

　　　　wiki释义：网络蜘蛛（Web spider）也叫网络爬虫（Web crawler）^[1]，蚂蚁（ant），自动检索工具（automatic indexer），或者（在FOAF软件概念中）网络疾走（WEB scutter），是一种“自动化浏览网络”的程序，或者说是一种网络机器人。它们被广泛用于互联网搜索引擎或其他类似网站，以获取或更新这些网站的内容和检索方式。它们可以自动采集所有其能够访问到的页面内容，以供搜索引擎做进一步处理（分检整理下载的页面），而使得用户能更快的检索到他们需要的信息。

网络爬虫始于一张被称作种子的统一资源地址（URLs）列表。当网络爬虫访问这些统一资源定位器时，它们会甄别出页面上所有的超链接，并将它们写入一张＂待访列表＂，即所谓＂爬行疆域＂（crawl frontier）。此疆域上的统一资源地址将被按照一套策略循环访问。

           白话语：网络爬虫，是一个（组，套，集群 ）能够自动访问网络资源，并抽取目标数据的程序。 类比模拟人工点击访问百度首页，右键打开源码并对源码抽取分析的过程，转化为自动化，并主动发现新连接继续重复的过程。

           案例： 百度搜索引擎的数据支持主要由百度爬虫提供。

      2：能做什么

 　　    得数据者得天下，网络爬虫应用于搜索引擎是大家都知道的，除此之外，还常应用于，比价，电商，舆情，内容聚合网站等。比价比较有名的惠惠助手。还应用于模拟表单提交，自动登录，自动发送邮件，转发内容等等。  一般数据源从互联网公开信息获取，主要由门户，垂直网站，sns，论坛。   数据分类可参照下图

 

            

 　  3：怎么做

　　　　开源爬虫，java有 nutch,heritrix 。python 有 Scrapy ，c的 ，php的也都有 。

从技术角度上来讲，没有好坏之分，还在于人对它的熟稔程度和使用情况 。 非要排资论辈的话 ，只能说 nutch是鼻祖 ， nutch建立在luence上， 并且孵化了当下如火如荼hadoop。

其它自行脑补。  

          自主研发，虽然有那么多的开源框架，鉴于国内网络规范的不规范，及越来越的网站，开始防爬虫。 仅仅借助开源框架很难满足自身的业务需求。　结合业务端，一般公司做法

是自己研发一套适应自己业务的爬虫。 数据来源一般不外乎下图：

              自助研发的方向也比较多，结合数据来源站点特征及自身业务，有追求 大而全的，有追求小而美的。有青睐金融数据，有对电商数据情有独钟的。有的追求功能，有的追求性能。   暂不做讨论。

技术架构 ，php python面向过程的采集定向站点数据较为方便。  大吞吐量的 一般采用java,c写分布式式爬虫。 中央调度式（mater/slave）,p2p,mixed 等 可参照

crawler_分布式网络爬虫的设计与实现_设计图。 曾用第一种方式实现，在一般网络环境下测试，三个节点 下载速度 28页面/秒。 

             爬虫功能部分，主要是下载和解析模块。

             下载模块：下载各个语言包都有，需要注意的就是 分析网络流，分析工具有很多各个浏览器都带的有，较为好用的firefox,和 chrome. 还有一些第三方的 findder, wireshark,httpwatcher

一些请求参数和响应cookie传递。

              解析：通用的做法是正则解析，写的好的话性能也最好。也有一些好用的 dom封装解析的，htmlparse,jsoup,等等。写一些jquery 语法选择器 ，也称xpath. crawler_jsoup HTML解析器_使用选择器语法来查找元素 crawler_解析之_jquery_语法选择器使用方法 ，应对规范网站第二种做法比第一种好写，正则毕竟写起来比xpath要麻烦。

 

　　4：综述

   　　　　关于爬虫，要写的太多，一线爬虫屌丝码农文采有限，后续会不定期陆续补充，其实任何技术都是，不在于问了多少，看了多少， 得亲手自己去试，多练 ，多试错，猜测，验证的一个过程。 

难免疏忽，望大家海涵。