一、什么是网络爬虫?

　　网络爬虫，是指按照一定的规则、自动抓取互联网上信息的程序组件或脚本程序。在搜索引擎中，网络爬虫就是搜索引擎发现和抓取文档的自动化程序。

　　二、网络爬虫产生的背景

　　互联网信息大爆炸，人们不满足于仅仅依靠开放目录等传统方式在网络上寻找一些东西，为了满足不同的人的不同需求，于是出现了网络爬虫。

　　三、网络爬虫面临的问题

　　搜索引擎架构的两个目标是效果和效率，这同样也是对网络爬虫提出的要求。面对亿级网页数量，重复内容很高，在SEO行业重复率可能在50%以上，网络爬虫面临的问题是为了提高效率和效果，就需要在一定的时间内获得更多有高质量页面，摒弃那些原创度低、复制内容、拼接内容等页面。

　　四、网络爬虫的分类和策略

　　网络爬虫有很多种类，错误君简单介绍以下几种：

　　1)Deep Web爬虫

　　搜索引擎蜘蛛可以爬行并抓取的页面称之为“表层网页”，某些不能通过静态链接获得的页面称之为“深层网页”，Deep Web爬虫就是抓取深层网页的爬虫体系。小结：一般来讲，网络爬虫抓取策略分为三种：

　　a、深度优先

　　顺着一个链接一直爬行，直到某一页面再也没有链接，再开始爬行另外一条。但是一般都是从种子网站开始抓取，如果采用这种形式可能会造成抓取的页面质量越来越低，所以这种策略使用较少。

　　b、最佳优先

　　根据一定的网页分析算法，比如链接算法和页面加权算法等，优先抓取更具有价值的页面。

　　c、广度优先

　　搜索完当前页面所有链接，才开始进入下一层。

　　2)增量式网络爬虫

　　增量式网络爬虫，是指对已经收录的页面进行更新、爬行新页面和发生变化的页面。增量式网络爬虫策略：广度优先策略和PageRank优先策略等。

　　3)聚焦网络爬虫

　　聚焦网络爬虫，又称为“主题网络爬虫”，预先选择一个(或几个)相关主题，仅爬行并抓取这一类的相关页面。聚焦网络爬虫策略：聚焦网络爬虫增加了链接和内容评价模块，所以其爬行策略的关键是评价页面的链接和内容后再进行爬行。

　　4)通用网络爬虫

　　通用网络爬虫，又称为“全网爬虫”，从一些种子网站开始爬行，逐步扩展到整个互联网。通用网络爬虫策略：深度优先策略和广度优先策略。

免责声明：本网站部分内容来源于网络，如有侵权，请及时与本站联系处理。