什麼是爬蟲伺服器
① 什麼是爬蟲什麼是爬網有什麼區別
多次被人問到這個問題，看來需要做一點說明，這里簡單介紹一下搜索引擎的機器爬蟲的製作和一些基本要注意的事項。
說的簡單易懂一些，網路爬蟲跟你使用的〖離線閱讀〗工具差不多。說離線，其實還是要跟網路聯結，否則怎麼抓東西下來？
那麼不同的地方在哪裡？
1】 網路爬蟲高度可配置性。
2】 網路爬蟲可以解析抓到的網頁里的鏈接
3】 網路爬蟲有簡單的存儲配置
4】 網路爬蟲擁有智能的根據網頁更新分析功能
5】 網路爬蟲的效率相當的高
那麼依據特徵，其實也就是要求了，如何設計爬蟲呢？要注意哪些步驟呢？
1】 url 的遍歷和紀錄
這點 larbin 做得非常的好，其實對於url的遍歷是很簡單的，例如：
cat [what you got]| tr \" \\n | gawk '{print $2}' | pcregrep ^http://
就可以得到一個所由的 url 列表
2】多進程 VS 多線程
各有優點了，現在一台普通的PC 例如 booso.com 一天可以輕松爬下5個G的數據。大約20萬網頁。
3】時間更新控制
最傻的做法是沒有時間更新權重，一通的爬，回頭再一通的爬。
通常在下一次爬的的數據要跟上一次進行比較，如果連續5次都沒有變化，那麼將爬這個網頁的時間間隔擴大1倍。
如果一個網頁在連續5次爬取的時候都有更新，那麼將設置的爬取時間縮短為原來的1／2。
注意，效率是取勝的關鍵之一。
4】爬的深度是多少呢？
看情況了。如果你比較牛，有幾萬台伺服器做網路爬蟲，我勸您跳過這一點。
如果你同我一樣只有一台伺服器做網路爬蟲，那麼這樣一個統計您應該知道：
網頁深度：網頁個數：網頁重要程度
0 : 1 : : 10
1 :20 : :8
2: :600: :5
3: :2000: :2
4 above: 6000: 一般無法計算
好了，爬到三級就差不多了，再深入一是數據量擴大了3／4倍，二是重要度確下降了許多，這叫做「種下的是龍種，收獲的是跳蚤。」
5】爬蟲一般不之間爬對方的網頁，一般是通過一個Proxy出去，這個proxy有緩解壓力的功能，因為當對方的網頁沒有更新的時候，只要拿到 header 的 tag就可以了，沒有必要全部傳輸一次了，可以大大節約網路帶寬。
apache webserver裡面紀錄的 304 一般就是被cache的了。
6】請有空的時候照看一下robots.txt
7】存儲結構。
這個人人見智，google 用 gfs 系統，如果你有7／8台伺服器，我勸你用NFS系統，要是你有70／80個伺服器的話我建議你用afs 系統，要是你只有一台伺服器，那麼隨便。
給一個代碼片斷，是我寫的新聞搜索引擎是如何進行數據存儲的：
NAME=`echo $URL |perl -p -e 's/([^\w\-\.\@])/$1 eq "\n" ? "\n":sprintf("%%%2.2x",ord($1))/eg'`
mkdir -p $AUTHOR
newscrawl.pl $URL --user-agent="news.booso.com+(+http://booso.com)" -outfile=$AUTHOR/$NAME
Posted at November 10, 2004 01:04 PM by Liang at 01:04 PM | Comments (2) | TrackBack(0) | Booso!|
======================================
爬網這個詞你可以理解為"建立索引",各大搜索引擎現在都用爬網這個詞,都可以理解為建立索引這個意思
② 什麼是網路爬蟲以及怎麼做它
網路爬蟲：是一種按照一定的規則，自動的抓取萬維網信息的程序或者腳本。另外一些不常使用的名字還有螞蟻，自動索引，模擬程序或者蠕蟲。
做法：傳統爬蟲從一個或若干初始網頁的URL開始，獲得初始網頁上的URL，在抓取網頁的過程中，不斷從當前頁面上抽取新的URL放入隊列,直到滿足系統的一定停止條件。聚焦爬蟲的工作流程較為復雜，需要根據一定的網頁分析演算法過濾與主題無關的鏈接，保留有用的鏈接並將其放入等待抓取的URL隊列。然後，它將根據一定的搜索策略從隊列中選擇下一步要抓取的網頁URL，並重復上述過程，直到達到系統的某一條件時停止。另外，所有被爬蟲抓取的網頁將會被系統存貯，進行一定的分析、過濾，並建立索引，以便之後的查詢和檢索；對於聚焦爬蟲來說，這一過程所得到的分析結果還可能對以後的抓取過程給出反饋和指導。
③ 什麼是爬蟲技術是什麼
對於很多企業來說，數據是很重要的，因為通過數據，我們可以直觀的觀察和分析數據，而不像以前那樣只能靠直觀，依靠行業趨勢，非常模糊。
目前，爬行是獲取數據的主要方式。正如爬蟲工作者所知，爬蟲時IP很容易被封堵，這是因為有了反爬蟲機制，所以才使用代理IP。
那麼，我們先來看看，爬蟲的種類是什麼？
普通爬蟲：從一個或多個初始網頁的URL開始，獲取該初始網頁上的URL，在抓取該網頁的過程中，不斷地從當前網頁提取新URL，然後將該URL放置到隊列中，直到系統停止條件滿足為止。
焦點搜索：工作流程比較復雜，需要根據某些網頁分析演算法過濾與主題無關的鏈接，保留有用的鏈接，放置到URL隊列中等待抓取。接著按照一定的搜索策略，從隊列中選擇下一步要抓取的網頁URL，重復以上過程，直到系統滿足一定的條件。另外，所有被爬蟲抓取的網頁都存儲在系統中，進行一定的分析和過濾，並建立索引供日後查詢和檢索。對焦點爬蟲來說，此過程所獲得的分析結果也可反饋並指導後續的抓取過程。
④ 什麼是爬蟲系統
搜索引擎爬蟲 （又被稱為網頁蜘蛛，網路機器人），是一種按照一定的規則，自動的抓取萬維網信息的程序或者腳本。
2、然後將其和網頁相對路徑名稱交給網頁下載器，網頁下載器負責頁面內容的下載。對於下載到本地的網頁，一方面將其存儲到頁面庫中，等待建立索引等後續處理；另一方面將下載網頁的URL放入已抓取URL隊列中，這個隊列記載了爬蟲系統已經下載過的網頁URL，以避免網頁的重復抓取。
3、對於剛下載的網頁，從中抽取出所包含的所有鏈接信息，並在已抓取URL隊列中檢查，如果發現鏈接還沒有被抓取過，則將這個URL放入待抓取URL隊列末尾，在之後的抓取調度中會下載這個URL對應的網頁。如此這般，形成循環，直到待抓取URL隊列為空，這代表著爬蟲系統已將能夠抓取的網頁盡數抓完，此時完成了一輪完整的抓取過程。
⑤ 請問什麼是網路爬蟲啊是干什麼的呢
爬蟲就是能夠自動訪問互聯網並將網站內容下載下來的的程序或腳本，類似一個機器人，能把別人網站的信息弄到自己的電腦上，再做一些過濾，篩選，歸納，整理，排序等等。
網路爬蟲能做什麼：數據採集。
網路爬蟲是一個自動提取網頁的程序，它為搜索引擎從萬維網上下載網頁，是搜索引擎的重要組成。傳統爬蟲從一個或若干初始網頁的URL開始，獲得初始網頁上的URL，在抓取網頁的過程中，不斷從當前頁面上抽取新的URL放入隊列,直到滿足系統的一定停止條件。
(5)什麼是爬蟲伺服器擴展閱讀：
網路爬蟲按照系統結構和實現技術，大致可以分為以下幾種類型：通用網路爬蟲（General Purpose Web Crawler）、聚焦網路爬蟲（Focused Web Crawler）、增量式網路爬蟲（Incremental Web Crawler）、深層網路爬蟲（Deep Web Crawler）。 實際的網路爬蟲系統通常是幾種爬蟲技術相結合實現的 。
通用網路爬蟲
通用網路爬蟲又稱全網爬蟲（Scalable Web Crawler），爬行對象從一些種子 URL 擴充到整個 Web，主要為門戶站點搜索引擎和大型 Web 服務提供商採集數據。 由於商業原因，它們的技術細節很少公布出來。 這類網路爬蟲的爬行范圍和數量巨大，對於爬行速度和存儲空間要求較高，對於爬行頁面的順序要求相對較低，同時由於待刷新的頁面太多，通常採用並行工作方式，但需要較長時間才能刷新一次頁面。 雖然存在一定缺陷，通用網路爬蟲適用於為搜索引擎搜索廣泛的主題，有較強的應用價值 。
通用網路爬蟲的結構大致可以分為頁面爬行模塊 、頁面分析模塊、鏈接過濾模塊、頁面資料庫、URL 隊列、初始 URL 集合幾個部分。為提高工作效率，通用網路爬蟲會採取一定的爬行策略。 常用的爬行策略有：深度優先策略、廣度優先策略 。
1) 深度優先策略：其基本方法是按照深度由低到高的順序，依次訪問下一級網頁鏈接，直到不能再深入為止。 爬蟲在完成一個爬行分支後返回到上一鏈接節點進一步搜索其它鏈接。 當所有鏈接遍歷完後，爬行任務結束。 這種策略比較適合垂直搜索或站內搜索， 但爬行頁面內容層次較深的站點時會造成資源的巨大浪費 。
2) 廣度優先策略：此策略按照網頁內容目錄層次深淺來爬行頁面，處於較淺目錄層次的頁面首先被爬行。 當同一層次中的頁面爬行完畢後，爬蟲再深入下一層繼續爬行。 這種策略能夠有效控制頁面的爬行深度，避免遇到一個無窮深層分支時無法結束爬行的問題，實現方便，無需存儲大量中間節點，不足之處在於需較長時間才能爬行到目錄層次較深的頁面。
聚焦網路爬蟲
聚焦網路爬蟲（Focused Crawler），又稱主題網路爬蟲（Topical Crawler），是指選擇性地爬行那些與預先定義好的主題相關頁面的網路爬蟲。 和通用網路爬蟲相比，聚焦爬蟲只需要爬行與主題相關的頁面，極大地節省了硬體和網路資源，保存的頁面也由於數量少而更新快，還可以很好地滿足一些特定人群對特定領域信息的需求 。
聚焦網路爬蟲和通用網路爬蟲相比，增加了鏈接評價模塊以及內容評價模塊。聚焦爬蟲爬行策略實現的關鍵是評價頁面內容和鏈接的重要性，不同的方法計算出的重要性不同，由此導致鏈接的訪問順序也不同 。
增量式網路爬蟲
增量式網路爬蟲（Incremental Web Crawler）是 指 對 已 下 載 網 頁 采 取 增 量式更新和只爬行新產生的或者已經發生變化網頁的爬蟲，它能夠在一定程度上保證所爬行的頁面是盡可能新的頁面。 和周期性爬行和刷新頁面的網路爬蟲相比，增量式爬蟲只會在需要的時候爬行新產生或發生更新的頁面 ，並不重新下載沒有發生變化的頁面，可有效減少數據下載量，及時更新已爬行的網頁，減小時間和空間上的耗費，但是增加了爬行演算法的復雜度和實現難度。增量式網路爬蟲的體系結構[包含爬行模塊、排序模塊、更新模塊、本地頁面集、待爬行 URL 集以及本地頁面URL 集 。
增量式爬蟲有兩個目標：保持本地頁面集中存儲的頁面為最新頁面和提高本地頁面集中頁面的質量。 為實現第一個目標，增量式爬蟲需要通過重新訪問網頁來更新本地頁面集中頁面內容，常用的方法有：1) 統一更新法：爬蟲以相同的頻率訪問所有網頁，不考慮網頁的改變頻率；2) 個體更新法：爬蟲根據個體網頁的改變頻率來重新訪問各頁面；3) 基於分類的更新法：爬蟲根據網頁改變頻率將其分為更新較快網頁子集和更新較慢網頁子集兩類，然後以不同的頻率訪問這兩類網頁 。
為實現第二個目標，增量式爬蟲需要對網頁的重要性排序，常用的策略有：廣度優先策略、PageRank 優先策略等。IBM 開發的 WebFountain是一個功能強大的增量式網路爬蟲，它採用一個優化模型控制爬行過程，並沒有對頁面變化過程做任何統計假設，而是採用一種自適應的方法根據先前爬行周期里爬行結果和網頁實際變化速度對頁面更新頻率進行調整。北京大學的天網增量爬行系統旨在爬行國內 Web，將網頁分為變化網頁和新網頁兩類，分別採用不同爬行策略。 為緩解對大量網頁變化歷史維護導致的性能瓶頸，它根據網頁變化時間局部性規律，在短時期內直接爬行多次變化的網頁 ，為盡快獲取新網頁，它利用索引型網頁跟蹤新出現網頁 。
Deep Web 爬蟲
Web 頁面按存在方式可以分為表層網頁（Surface Web）和深層網頁（Deep Web，也稱 Invisible Web Pages 或 Hidden Web）。 表層網頁是指傳統搜索引擎可以索引的頁面，以超鏈接可以到達的靜態網頁為主構成的 Web 頁面。Deep Web 是那些大部分內容不能通過靜態鏈接獲取的、隱藏在搜索表單後的，只有用戶提交一些關鍵詞才能獲得的 Web 頁面。例如那些用戶注冊後內容才可見的網頁就屬於 Deep Web。 2000 年 Bright Planet 指出：Deep Web 中可訪問信息容量是 Surface Web 的幾百倍，是互聯網上最大、發展最快的新型信息資源 。
⑥ 網路爬蟲是什麼
網路爬蟲（又被稱為網頁蜘蛛，網路機器人，在FOAF社區中間，更經常的稱為網頁追逐者），是一種按照一定的規則，自動地抓取萬維網信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲。
中文名
網路爬蟲
外文名
web crawler
別稱
網路蜘蛛
目的
按要求獲取萬維網信息
產生背景
隨著網路的迅速發展，萬維網成為大量信息的載體，如何有效地提取並利用這些信息成為一個巨大的挑戰。搜索引擎(Search Engine)，例如傳統的通用搜索引擎AltaVista，Yahoo!和Google等，作為一個輔助人們檢索信息的工具成為用戶訪問萬維網的入口和指南。但是，這些通用性搜索引擎也存在著一定的局限性，如：
(1)不同領域、不同背景的用戶往往具有不同的檢索目的和需求，通用搜索引擎所返回的結果包含大量用戶不關心的網頁。
(2)通用搜索引擎的目標是盡可能大的網路覆蓋率，有限的搜索引擎伺服器資源與無限的網路數據資源之間的矛盾將進一步加深。
(3)萬維網數據形式的豐富和網路技術的不斷發展，圖片、資料庫、音頻、視頻多媒體等不同數據大量出現，通用搜索引擎往往對這些信息含量密集且具有一定結構的數據無能為力，不能很好地發現和獲取。
(4)通用搜索引擎大多提供基於關鍵字的檢索，難以支持根據語義信息提出的查詢。
⑦ Python爬蟲是什麼
為自動提取網頁的程序，它為搜索引擎從萬維網上下載網頁。
網路爬蟲為一個自動提取網頁的程序，它為搜索引擎從萬維網上下載網頁，是搜索引擎的重要組成。傳統爬蟲從一個或若干初始網頁的URL開始，獲得初始網頁上的URL，在抓取網頁的過程中，不斷從當前頁面上抽取新的URL放入隊列,直到滿足系統的一定停止條件。
將根據一定的搜索策略從隊列中選擇下一步要抓取的網頁URL，並重復上述過程，直到達到系統的某一條件時停止。另外，所有被爬蟲抓取的網頁將會被系統存貯，進行一定的分析、過濾，並建立索引，以便之後的查詢和檢索。
(7)什麼是爬蟲伺服器擴展閱讀：
網路爬蟲的相關要求規定：
1、由Python標准庫提供了系統管理、網路通信、文本處理、資料庫介面、圖形系統、XML處理等額外的功能。
2、按照網頁內容目錄層次深淺來爬行頁面，處於較淺目錄層次的頁面首先被爬行。 當同一層次中的頁面爬行完畢後，爬蟲再深入下一層繼續爬行。
3、文本處理，包含文本格式化、正則表達式匹配、文本差異計算與合並、Unicode支持，二進制數據處理等功能。
⑧ 網路爬蟲的概念
網路爬蟲（web crawler），以前經常稱之為網路蜘蛛（spider），是按照一定的規則自動瀏覽萬維網並獲取信息的機器人程序（或腳本），曾經被廣泛的應用於互聯網搜索引擎。使用過互聯網和瀏覽器的人都知道，網頁中除了供用戶閱讀的文字信息之外，還包含一些超鏈接。網路爬蟲系統正是通過網頁中的超鏈接信息不斷獲得網路上的其它頁面。正因如此，網路數據採集的過程就像一個爬蟲或者蜘蛛在網路上漫遊，所以才被形象的稱為網路爬蟲或者網路蜘蛛。