20161123爬虫技术研究

网络爬虫是一种自动获取网页内容的程序，是搜索引擎的重要组成部分。搜索引擎优化很大程度上就是针对爬虫而做出的优化。

网络爬虫为搜索引擎从万维网下载网页。一般分为传统爬虫和聚焦爬虫

传统爬虫从一个或若干初始网页的url开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列，直到满足系统的一定停止条件。通俗的讲，也就是通过源码解析来获得想要的内容。

聚焦爬虫的工作流程较为复杂，需要根据一定的网页分析算法过滤与主题无关的链接，保留有用的链接并将其放入等待抓取的URL队列。然后，它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL，并重复上述过程，直到达到系统的某一条件时停止。另外，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索；对于聚焦爬虫来说，这一过程所得到的分析结果还可能对以后的抓取过程给出反馈和指导。