[ 登录 ] - [ 注册 ] | 推广返现 无忧代理IP最新上线 | 代码示例DEMO | IP测试视频

爬虫原理概述以及常用的爬虫框架介绍

作者:数据无忧   时间:2017-01-19 16:22:52

数据爬虫概述

爬虫,即网络爬虫(Web crawler),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,因此搜索引擎优化很大程度上就是针对爬虫而做出的优化。 

搜索引擎的处理对象是互联网网页,日前网页数量以百亿计,所以搜索引擎首先面临的问题就是:如何能够设计出高效的下载系统,以将如此海量的网页数据传送到本地,在本地形成互联网网页的镜像备份。

网络爬虫即起此作用,它是搜索引擎系统中很关键也很基础的构件。

这里主要介绍与网络爬虫相关的技术,尽管爬虫技术经过几十年的发展,从整体框架上已相对成熟,现阶段已经有各种语言开发的成熟的爬虫项目,比如Python的Scrapy,C++的larbin,Java的Nutch等

但随着互联网的不断发展,也面临着一些有挑战性的新问题。

比如页面采用JS动态加载,IP被封禁等问题,本节课也会给出对应的解决方案。

数据爬虫实现原理

下图所示是一个通用的爬虫框架流程。

首先从互联网页面中精心选择一部分网页,以这些网页的链接地址作为种子URL,

将这些种子URL放入待抓取URL队列中,爬虫从待抓取URL队列依次读取,解析新的URL,确认这个URL没有抓取过之后,再次放入带抓取队列,

同时还会解析网页的内容,获取程序需要的部分,进行最终的处理(存入数据库、建索引等)。

上述是一个通用爬虫的整体流程,如果从更加宏观的角度考虑,处于动态抓取过程中的爬虫和互联网所有网页之间的关系,可以将互联网页面划分为5个部分:

1.已下载网页集合:爬虫已经从互联网下载到本地进行索引的网页集合。

2.已过期网页集合:由于网页数最巨大,爬虫完整抓取一轮需要较长时间,在抓取过程中,很多已经下载的网页可能过期。之所以如此,是因为互联网网页处于不断的动态变化过程中,所以易产生本地网页内容和真实互联网网页不一致的情况。

3.待下载网页集合:即处于上图中待抓取URL队列中的网页,这些网页即将被爬虫下载。

4.可知网页集合:这些网页还没有被爬虫下载,也没有出现在待抓取URL队列中,不过通过已经抓取的网页或者在待抓取URL队列中的网页,总足能够通过链接关系发现它们,稍晚时候会被爬虫抓取并索引。

5.不可知网页集合:有些网页对于爬虫来说是无法抓取到的,这部分网页构成了不可知网页集合。事实上,这部分网页所占的比例很高。

根据不同的应用,爬虫系统在许多方面存在差异,大体而言,可以将爬虫划分为如下三种类型:

1. 批量型爬虫(Batch Crawler):批量型爬虫有比较明确的抓取范围和目标,当爬虫达到这个设定的目标后,即停止抓取过程。至于具体目标可能各异,也许是设定抓取一定数量的网页即可,也许是设定抓取消耗的时间等。

2.增量型爬虫(Incremental Crawler):增量型爬虫与批量型爬虫不同,会保持持续不断的抓取,对于抓取到的网页,要定期更新,因为互联网的网页处于不断变化中,新增网页、网页被删除或者网页内容更改都很常见,而增量型爬虫需要及时反映这种变化,所以处于持续不断的抓取过程中,不是在抓取新网页,就是在更新已有网页。通用的商业搜索引擎爬虫基本都属此类。

3.垂直型爬虫(Focused Crawter):垂直型爬虫关注特定主题内容或者属于特定行业的网页,比如对于健康网站来说,只需要从互联网页而里找到与健康相关的页面内容即可,其他行业的内容不在考虑范围。垂直型爬虫一个最大的特点和难点就是:如何识别网页内容是否属于指定行业或者主题。从节省系统资源的角度来说,不太可能把所有互联网页面下载下来之后再去筛选,这样浪费资源就太过分了,往往需要爬虫在抓取阶段就能够动态识别某个网址是否与主题相关,并尽量不去抓墩无关页面,以达到节省资源的目的。垂直搜索网站或者垂直行业网站往往需要此种类型的爬虫。

常见的数据爬虫 

webmagic

webmagic是一个无须配置、便于二次开发的爬虫框架,它提供简单灵活的API,只需少量代码即可实现一个爬虫。

webmagic采用完全模块化的设计,功能覆盖整个爬虫的生命周期(链接提取、页面下载、内容抽取、持久化),支持多线程抓取,分布式抓取,并支持自动重试、自定义UA/cookie等功能。

webmagic包含强大的页面抽取功能,开发者可以便捷的使用css selector、xpath和正则表达式进行链接和内容的提取,支持多个选择器链式调用。

Heritrix

Heritrix 是一个由 java 开发的、开源的网络爬虫,用户可以使用它来从网上抓取想要的资源。其最出色之处在于它良好的可扩展性,方便用户实现自己的抓取逻辑。

Heritrix采用的是模块化的设计,各个模块由一个控制器类(CrawlController类)来协调,控制器是整体的核心。

Scrapy

Scrapy 是纯python实现的爬虫框架,用户只需要定制开发几个模块就可以轻松的实现一个爬虫,用来抓取网页内容以及各种图片,非常之方便~

Soukey

Soukey采摘网站数据采集软件是一款基于.Net平台的开源软件,也是网站数据采集软件类型中唯一一款开源软件。尽管Soukey采摘开源,但并不会影响软件功能的提供,甚至要比一些商用软件的功能还要丰富。多任务多线程数据采集,支持POST方式;可采集Ajax页面;支持Cookie,支持手工登录采集数据;等

下一课时我们要用Java语言实现一套自己的爬虫。

用Java实现数据爬虫


按照整体逻辑图,我们需要先确定一个要抓去的网址,分析网址源码,从这个网址中解析所有待抓取URL

同时从源码中解析目标内容,进行处理。

重复上述步骤即可。

1. 需要定义一个Set类用于存储待抓取URL

2. 定一个Set类,存储已经处理过的URL

HttpUrlConnection抓数据

无忧代理IP--专业的代理IP提供商

Jsoup抓数据

Jsoup 是一款Java 的HTML解析器,可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API,可通过DOM,CSS以及类似于jQuery的操作方法来取出和操作数据。

无忧代理IP-专业的代理IP提供商

HtmlUnit - WebClient抓数据
无忧代理IP-专业的代理IP提供商


IP被封禁的解决方案

频繁抓取一个网站,最常见的问题就是IP被封,返回的Http状态码是403 Forbidden

这种情况下就需要更换IP,使用高匿名代理IP

那么IP从哪里获取呢   http://www.data5u.com/




无忧代理IP(www.data5u.com)原创文章,转载请注明出处。

抽取IP代金券
电话:4007-745-096
QQ:
周一至周日8:30-18:00 技术部电话热线