導(dǎo)讀：在《什么是網(wǎng)絡(luò)爬蟲？有什么用？怎么爬？終于有人講明白了》一文中，我們已經(jīng)初步認識了網(wǎng)絡(luò)爬蟲，并了解了網(wǎng)絡(luò)爬蟲的應(yīng)用領(lǐng)域。本文我們將學(xué)習(xí)網(wǎng)絡(luò)爬蟲的實現(xiàn)原理及其實現(xiàn)技術(shù)。

作者：韋瑋

如需轉(zhuǎn)載請聯(lián)系大數(shù)據(jù)（ID：hzdashuju）

01 網(wǎng)絡(luò)爬蟲實現(xiàn)原理詳解

不同類型的網(wǎng)絡(luò)爬蟲，其實現(xiàn)原理也是不同的，但這些實現(xiàn)原理中，會存在很多共性。在此，我們將以兩種典型的網(wǎng)絡(luò)爬蟲為例（即通用網(wǎng)絡(luò)爬蟲和聚焦網(wǎng)絡(luò)爬蟲），分別為大家講解網(wǎng)絡(luò)爬蟲的實現(xiàn)原理。

1. 通用網(wǎng)絡(luò)爬蟲

首先我們來看通用網(wǎng)絡(luò)爬蟲的實現(xiàn)原理。通用網(wǎng)絡(luò)爬蟲的實現(xiàn)原理及過程可以簡要概括如下（見圖3-1）。

1. 獲取初始的URL。初始的URL地址可以由用戶人為地指定，也可以由用戶指定的某個或某幾個初始爬取網(wǎng)頁決定。
2. 根據(jù)初始的URL爬取頁面并獲得新的URL。獲得初始的URL地址之后，首先需要爬取對應(yīng)URL地址中的網(wǎng)頁，爬取了對應(yīng)的URL地址中的網(wǎng)頁后，將網(wǎng)頁存儲到原始數(shù)據(jù)庫中，并且在爬取網(wǎng)頁的同時，發(fā)現(xiàn)新的URL地址，同時將已爬取的URL地址存放到一個URL列表中，用于去重及判斷爬取的進程。
3. 將新的URL放到URL隊列中。在第2步中，獲取了下一個新的URL地址之后，會將新的URL地址放到URL隊列中。
4. 從URL隊列中讀取新的URL，并依據(jù)新的URL爬取網(wǎng)頁，同時從新網(wǎng)頁中獲取新URL，并重復(fù)上述的爬取過程。
5. 滿足爬蟲系統(tǒng)設(shè)置的停止條件時，停止爬取。在編寫爬蟲的時候，一般會設(shè)置相應(yīng)的停止條件。如果沒有設(shè)置停止條件，爬蟲則會一直爬取下去，一直到無法獲取新的URL地址為止，若設(shè)置了停止條件，爬蟲則會在停止條件滿足時停止爬取。

以上就是通用網(wǎng)絡(luò)爬蟲的實現(xiàn)過程與基本原理，接下來，我們?yōu)榇蠹曳治鼍劢咕W(wǎng)絡(luò)爬蟲的基本原理及其實現(xiàn)過程。

2. 聚焦網(wǎng)絡(luò)爬蟲

聚焦網(wǎng)絡(luò)爬蟲，由于其需要有目的地進行爬取，所以對于通用網(wǎng)絡(luò)爬蟲來說，必須要增加目標(biāo)的定義和過濾機制，具體來說，此時，其執(zhí)行原理和過程需要比通用網(wǎng)絡(luò)爬蟲多出三步，即目標(biāo)的定義、無關(guān)鏈接的過濾、下一步要爬取的URL地址的選取等，如圖3-2所示。

1. 對爬取目標(biāo)的定義和描述。在聚焦網(wǎng)絡(luò)爬蟲中，我們首先要依據(jù)爬取需求定義好該聚焦網(wǎng)絡(luò)爬蟲爬取的目標(biāo)，以及進行相關(guān)的描述。
2. 獲取初始的URL。
3. 根據(jù)初始的URL爬取頁面，并獲得新的URL。
4. 從新的URL中過濾掉與爬取目標(biāo)無關(guān)的鏈接。因為聚焦網(wǎng)絡(luò)爬蟲對網(wǎng)頁的爬取是有目的性的，所以與目標(biāo)無關(guān)的網(wǎng)頁將會被過濾掉。同時，也需要將已爬取的URL地址存放到一個URL列表中，用于去重和判斷爬取的進程。
5. 將過濾后的鏈接放到URL隊列中。
6. 從URL隊列中，根據(jù)搜索算法，確定URL的優(yōu)先級，并確定下一步要爬取的URL地址。在通用網(wǎng)絡(luò)爬蟲中，下一步爬取哪些URL地址，是不太重要的，但是在聚焦網(wǎng)絡(luò)爬蟲中，由于其具有目的性，故而下一步爬取哪些URL地址相對來說是比較重要的。對于聚焦網(wǎng)絡(luò)爬蟲來說，不同的爬取順序，可能導(dǎo)致爬蟲的執(zhí)行效率不同，所以，我們需要依據(jù)搜索策略來確定下一步需要爬取哪些URL地址。
7. 從下一步要爬取的URL地址中，讀取新的URL，然后依據(jù)新的URL地址爬取網(wǎng)頁，并重復(fù)上述爬取過程。
8. 滿足系統(tǒng)中設(shè)置的停止條件時，或無法獲取新的URL地址時，停止爬行。

現(xiàn)在我們初步掌握了網(wǎng)絡(luò)爬蟲的實現(xiàn)原理以及相應(yīng)的工作流程，下面來了解網(wǎng)絡(luò)爬蟲的爬行策略。

02 爬行策略

在網(wǎng)絡(luò)爬蟲爬取的過程，在待爬取的URL列表中，可能有很多URL地址，那么這些URL地址，爬蟲應(yīng)該先爬取哪個，后爬取哪個呢？

在通用網(wǎng)絡(luò)爬蟲中，雖然爬取的順序并不是那么重要，但是在其他很多爬蟲中，比如聚焦網(wǎng)絡(luò)爬蟲中，爬取的順序非常重要，而爬取的順序，一般由爬行策略決定。我們將為大家介紹一些常見的爬行策略。

爬行策略主要有深度優(yōu)先爬行策略、廣度優(yōu)先爬行策略、大站優(yōu)先策略、反鏈策略、其他爬行策略等。下面我們將分別進行介紹。

如圖3-3所示，假設(shè)有一個網(wǎng)站，ABCDEFG分別為站點下的網(wǎng)頁，圖中箭頭表示網(wǎng)頁的層次結(jié)構(gòu)。

假如此時網(wǎng)頁ABCDEFG都在爬行隊列中，那么按照不同的爬行策略，其爬取的順序是不同的。

比如，如果按照深度優(yōu)先爬行策略去爬取的話，那么此時會首先爬取一個網(wǎng)頁，然后將這個網(wǎng)頁的下層鏈接依次深入爬取完再返回上一層進行爬取。

所以，若按深度優(yōu)先爬行策略，圖3-3中的爬行順序可以是：A → D → E → B → C → F → G。

如果按照廣度優(yōu)先的爬行策略去爬取的話，那么此時首先會爬取同一層次的網(wǎng)頁，將同一層次的網(wǎng)頁全部爬取完后，在選擇下一個層次的網(wǎng)頁去爬行，比如，上述的網(wǎng)站中，如果按照廣度優(yōu)先的爬行策略去爬取的話，爬行順序可以是：A→B→C→D→E→F→G。

除了以上兩種爬行策略之外，我們還可以采用大站爬行策略。我們可以按對應(yīng)網(wǎng)頁所屬的站點進行歸類，如果某個網(wǎng)站的網(wǎng)頁數(shù)量多，那么我們則將其稱為大站，按照這種策略，網(wǎng)頁數(shù)量越多的網(wǎng)站越大，然后，優(yōu)先爬取大站中的網(wǎng)頁URL地址。

一個網(wǎng)頁的反向鏈接數(shù)，指的是該網(wǎng)頁被其他網(wǎng)頁指向的次數(shù)，這個次數(shù)在一定程度上代表著該網(wǎng)頁被其他網(wǎng)頁的推薦次數(shù)。所以，如果按反鏈策略去爬行的話，那么哪個網(wǎng)頁的反鏈數(shù)量越多，則哪個網(wǎng)頁將被優(yōu)先爬取。

但是，在實際情況中，如果單純按反鏈策略去決定一個網(wǎng)頁的優(yōu)先程度的話，那么可能會出現(xiàn)大量的作弊情況。比如，做一些垃圾站群，并將這些網(wǎng)站互相鏈接，如果這樣的話，每個站點都將獲得較高的反鏈，從而達到作弊的目的。

作為爬蟲項目方，我們當(dāng)然不希望受到這種作弊行為的干擾，所以，如果采用反向鏈接策略去爬取的話，一般會考慮可靠的反鏈數(shù)。

除了以上這些爬行策略，在實際中還有很多其他的爬行策略，比如OPIC策略、Partial PageRank策略等。

03 網(wǎng)頁更新策略

一個網(wǎng)站的網(wǎng)頁經(jīng)常會更新，作為爬蟲方，在網(wǎng)頁更新后，我們則需要對這些網(wǎng)頁進行重新爬取，那么什么時候去爬取合適呢？如果網(wǎng)站更新過慢，而爬蟲爬取得過于頻繁，則必然會增加爬蟲及網(wǎng)站服務(wù)器的壓力，若網(wǎng)站更新較快，但是爬蟲爬取的時間間隔較長，則我們爬取的內(nèi)容版本會過老，不利于新內(nèi)容的爬取。

顯然，網(wǎng)站的更新頻率與爬蟲訪問網(wǎng)站的頻率越接近，則效果越好，當(dāng)然，爬蟲服務(wù)器資源有限的時候，此時爬蟲也需要根據(jù)對應(yīng)策略，讓不同的網(wǎng)頁具有不同的更新優(yōu)先級，優(yōu)先級高的網(wǎng)頁更新，將獲得較快的爬取響應(yīng)。

具體來說，常見的網(wǎng)頁更新策略主要有3種：用戶體驗策略、歷史數(shù)據(jù)策略、聚類分析策略等，以下我們將分別進行講解。

在搜索引擎查詢某個關(guān)鍵詞的時候，會出現(xiàn)一個排名結(jié)果，在排名結(jié)果中，通常會有大量的網(wǎng)頁，但是，大部分用戶都只會關(guān)注排名靠前的網(wǎng)頁，所以，在爬蟲服務(wù)器資源有限的情況下，爬蟲會優(yōu)先更新排名結(jié)果靠前的網(wǎng)頁。

這種更新策略，我們稱之為用戶體驗策略，那么在這種策略中，爬蟲到底何時去爬取這些排名結(jié)果靠前的網(wǎng)頁呢？此時，爬取中會保留對應(yīng)網(wǎng)頁的多個歷史版本，并進行對應(yīng)分析，依據(jù)這多個歷史版本的內(nèi)容更新、搜索質(zhì)量影響、用戶體驗等信息，來確定對這些網(wǎng)頁的爬取周期。

除此之外，我們還可以使用歷史數(shù)據(jù)策略來確定對網(wǎng)頁更新爬取的周期。比如，我們可以依據(jù)某一個網(wǎng)頁的歷史更新數(shù)據(jù)，通過泊松過程進行建模等手段，預(yù)測該網(wǎng)頁下一次更新的時間，從而確定下一次對該網(wǎng)頁爬取的時間，即確定更新周期。

以上兩種策略，都需要歷史數(shù)據(jù)作為依據(jù)。有的時候，若一個網(wǎng)頁為新網(wǎng)頁，則不會有對應(yīng)的歷史數(shù)據(jù)，并且，如果要依據(jù)歷史數(shù)據(jù)進行分析，則需要爬蟲服務(wù)器保存對應(yīng)網(wǎng)頁的歷史版本信息，這無疑給爬蟲服務(wù)器帶來了更多的壓力和負擔(dān)。

如果想要解決這些問題，則需要采取新的更新策略。比較常用的是聚類分析策略。那么什么是聚類分析策略呢？

在生活中，相信大家對分類已經(jīng)非常熟悉，比如我們?nèi)ド虉?，商場中的商品一般都分好類了，方便顧客去選購相應(yīng)的商品，此時，商品分類的類別是固定的，是已經(jīng)擬定好的。

但是，假如商品的數(shù)量巨大，事先無法對其進行分類，或者說，根本不知道將會擁有哪些類別的商品，此時，我們應(yīng)該如何解決將商品歸類的問題呢？

這時候我們可以用聚類的方式解決，依據(jù)商品之間的共性進行相應(yīng)分析，將共性較多的商品聚為一類，此時，商品聚集成的類的數(shù)目是不一定的，但是能保證的是，聚在一起的商品之間一定有某種共性，即依據(jù)“物以類聚”的思想去實現(xiàn)。

同樣，在我們的聚類算法中，也會有類似的分析過程。

將聚類分析算法運用在爬蟲對網(wǎng)頁的更新上，我們可以這樣做，如圖3-4所示。

1. 首先，經(jīng)過大量的研究發(fā)現(xiàn)，網(wǎng)頁可能具有不同的內(nèi)容，但是一般來說，具有類似屬性的網(wǎng)頁，其更新頻率類似。這是聚類分析算法運用在爬蟲網(wǎng)頁的更新上的一個前提指導(dǎo)思想。
2. 有了1中的指導(dǎo)思想后，我們可以首先對海量的網(wǎng)頁進行聚類分析，在聚類之后，會形成多個類，每個類中的網(wǎng)頁具有類似的屬性，即一般具有類似的更新頻率。
3. 聚類完成后，我們可以對同一個聚類中的網(wǎng)頁進行抽樣，然后求該抽樣結(jié)果的平均更新值，從而確定對每個聚類的爬行頻率。

以上，就是使用爬蟲爬取網(wǎng)頁的時候，常見的3種更新策略，我們掌握了其算法思想后，在后續(xù)我們進行爬蟲的實際開發(fā)的時候，編寫出來的爬蟲執(zhí)行效率會更高，并且執(zhí)行邏輯會更合理。

04 網(wǎng)頁分析算法

在搜索引擎中，爬蟲爬取了對應(yīng)的網(wǎng)頁之后，會將網(wǎng)頁存儲到服務(wù)器的原始數(shù)據(jù)庫中，之后，搜索引擎會對這些網(wǎng)頁進行分析并確定各網(wǎng)頁的重要性，即會影響用戶檢索的排名結(jié)果。

所以在此，我們需要對搜索引擎的網(wǎng)頁分析算法進行簡單了解。

搜索引擎的網(wǎng)頁分析算法主要分為3類：基于用戶行為的網(wǎng)頁分析算法、基于網(wǎng)絡(luò)拓撲的網(wǎng)頁分析算法、基于網(wǎng)頁內(nèi)容的網(wǎng)頁分析算法。接下來我們分別對這些算法進行講解。

1. 基于用戶行為的網(wǎng)頁分析算法

基于用戶行為的網(wǎng)頁分析算法是比較好理解的。這種算法中，會依據(jù)用戶對這些網(wǎng)頁的訪問行為，對這些網(wǎng)頁進行評價，比如，依據(jù)用戶對該網(wǎng)頁的訪問頻率、用戶對網(wǎng)頁的訪問時長、用戶的單擊率等信息對網(wǎng)頁進行綜合評價。

2. 基于網(wǎng)絡(luò)拓撲的網(wǎng)頁分析算法

基于網(wǎng)絡(luò)拓撲的網(wǎng)頁分析算法是依靠網(wǎng)頁的鏈接關(guān)系、結(jié)構(gòu)關(guān)系、已知網(wǎng)頁或數(shù)據(jù)等對網(wǎng)頁進行分析的一種算法，所謂拓撲，簡單來說即結(jié)構(gòu)關(guān)系的意思。

基于網(wǎng)絡(luò)拓撲的網(wǎng)頁分析算法，同樣主要可以細分為3種類型：基于網(wǎng)頁粒度的分析算法、基于網(wǎng)頁塊粒度的分析算法、基于網(wǎng)站粒度的分析算法。

PageRank算法是一種比較典型的基于網(wǎng)頁粒度的分析算法。相信很多朋友都聽過Page-Rank算法，它是谷歌搜索引擎的核心算法，簡單來說，它會根據(jù)網(wǎng)頁之間的鏈接關(guān)系對網(wǎng)頁的權(quán)重進行計算，并可以依靠這些計算出來的權(quán)重，對網(wǎng)頁進行排名。

當(dāng)然，具體的算法細節(jié)有很多，在此不展開講解。除了PageRank算法之外，HITS算法也是一種常見的基于網(wǎng)頁粒度的分析算法。

基于網(wǎng)頁塊粒度的分析算法，也是依靠網(wǎng)頁間鏈接關(guān)系進行計算的，但計算規(guī)則有所不同。

我們知道，在一個網(wǎng)頁中通常會包含多個超鏈接，但一般其指向的外部鏈接中并不是所有的鏈接都與網(wǎng)站主題相關(guān)，或者說，這些外部鏈接對該網(wǎng)頁的重要程度是不一樣的，所以若要基于網(wǎng)頁塊粒度進行分析，則需要對一個網(wǎng)頁中的這些外部鏈接劃分層次，不同層次的外部鏈接對于該網(wǎng)頁來說，其重要程度不同。

這種算法的分析效率和準(zhǔn)確率，會比傳統(tǒng)的算法好一些。

基于網(wǎng)站粒度的分析算法，也與PageRank算法類似，但是，如果采用基于網(wǎng)站粒度進行分析，相應(yīng)的，會使用SiteRank算法。即此時我們會劃分站點的層次和等級，而不再具體地計算站點下的各個網(wǎng)頁的等級。

所以其相對于基于網(wǎng)頁粒度的算法來說，則更加簡單高效，但是會帶來一些缺點，比如精確度不如基于網(wǎng)頁粒度的分析算法精確。

3. 基于網(wǎng)頁內(nèi)容的網(wǎng)頁分析算法

在基于網(wǎng)頁內(nèi)容的網(wǎng)頁分析算法中，會依據(jù)網(wǎng)頁的數(shù)據(jù)、文本等網(wǎng)頁內(nèi)容特征，對網(wǎng)頁進行相應(yīng)的評價。

以上，我簡單為大家介紹了搜索引擎中的網(wǎng)頁分析算法，我們學(xué)習(xí)爬蟲，需要對這些算法進行相應(yīng)的了解。

05 身份識別

在爬蟲對網(wǎng)頁爬取的過程中，爬蟲必然需要訪問對應(yīng)的網(wǎng)頁，正規(guī)的爬蟲一般會告訴對應(yīng)網(wǎng)頁的網(wǎng)站站長其爬蟲身份。網(wǎng)站的管理員則可以通過爬蟲告知的身份信息對爬蟲的身份進行識別，我們稱這個過程為爬蟲的身份識別過程。

那么，爬蟲應(yīng)該如何告知網(wǎng)站站長自己的身份呢？

一般地，爬蟲在對網(wǎng)頁進行爬取訪問的時候，會通過HTTP請求中的User Agent字段告知自己的身份信息。一般爬蟲訪問一個網(wǎng)站的時候，首先會根據(jù)該站點下的Robots.txt文件來確定可爬取的網(wǎng)頁范圍，Robots協(xié)議是需要網(wǎng)絡(luò)爬蟲共同遵守的協(xié)議，對于一些禁止的URL地址，網(wǎng)絡(luò)爬蟲則不應(yīng)爬取訪問。

同時，如果爬蟲在爬取某一個站點時陷入死循環(huán)，造成該站點的服務(wù)壓力過大，如果有正確的身份設(shè)置，那么該站點的站長則可以想辦法聯(lián)系到該爬蟲方，然后停止對應(yīng)的爬蟲程序。

當(dāng)然，有些爬蟲會偽裝成其他爬蟲或瀏覽器去爬取網(wǎng)站，以獲得一些額外數(shù)據(jù)，或者有些爬蟲，會無視Robots協(xié)議的限制而任意爬取。從技術(shù)的角度來說，這些行為實現(xiàn)起來不難，但是這些行為是我們不提倡的，因為只有共同遵守一個良好的網(wǎng)絡(luò)規(guī)則，才能夠達到爬蟲方和站點服務(wù)方的雙贏。

06 網(wǎng)絡(luò)爬蟲實現(xiàn)技術(shù)

通過前面的學(xué)習(xí)，我們基本上對爬蟲的基本理論知識有了比較全面的了解，那么，如果我們要實現(xiàn)網(wǎng)絡(luò)爬蟲技術(shù)，要開發(fā)自己的網(wǎng)絡(luò)爬蟲，可以使用哪些語言進行開發(fā)呢？

開發(fā)網(wǎng)絡(luò)爬蟲的語言有很多，常見的語言有：Python、Java、PHP、Node.JS、C 、Go語言等。以下我們將分別介紹一下用這些語言寫爬蟲的特點：

• Python：爬蟲框架非常豐富，并且多線程的處理能力較強，并且簡單易學(xué)、代碼簡潔，優(yōu)點很多。
• Java：適合開發(fā)大型爬蟲項目。
• PHP：后端處理很強，代碼很簡潔，模塊也較豐富，但是并發(fā)能力相對來說較弱。
• Node.JS：支持高并發(fā)與多線程處理。
• C ：運行速度快，適合開發(fā)大型爬蟲項目，成本較高。
• Go語言：同樣高并發(fā)能力非常強。

07 小結(jié)

1. 聚焦網(wǎng)絡(luò)爬蟲，由于其需要有目的地進行爬取，所以對于通用網(wǎng)絡(luò)爬蟲來說，必須要增加目標(biāo)的定義和過濾機制，具體來說，此時，其執(zhí)行原理和過程需要比通用網(wǎng)絡(luò)爬蟲多出3步，即目標(biāo)的定義、無關(guān)鏈接的過濾、下一步要爬取的URL地址的選取。
2. 常見的網(wǎng)頁更新策略主要有3種：用戶體驗策略、歷史數(shù)據(jù)策略、聚類分析策略。
3. 聚類分析可以依據(jù)商品之間的共性進行相應(yīng)的處理，將共性較多的商品聚為一類。
4. 在爬蟲對網(wǎng)頁爬取的過程中，爬蟲必然需要訪問對應(yīng)的網(wǎng)頁，此時，正規(guī)的爬蟲一般會告訴對應(yīng)網(wǎng)頁的網(wǎng)站站長其爬蟲身份。網(wǎng)站的管理員則可以通過爬蟲告知的身份信息對爬蟲的身份進行識別，我們稱這個過程為爬蟲的身份識別過程。
5. 開發(fā)網(wǎng)絡(luò)爬蟲的語言有很多，常見的語言有Python、Java、PHP、Node.JS、C 、Go語言等。