爬虫社区网络爬虫技术

请问什么是网络爬虫啊？是干什么的呢？

网络爬虫（Web crawler）是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

网络爬虫被广泛用于互联网搜索引擎或其他类似网站，可以自动采集所有其能够访问到的页面内容，以获取或更新这些网站的内容和检索方式。

扩展资料： 许多网站针对爬虫都设置了反爬虫机制。

常见的有： 1、登陆限制：通过模拟登陆可以解决 2、用户代理检测：通过设置User-Agent header 3、Referer检测：通过设置Referer header 4、访问频率限制：如果是针对同一账号的频率限制，则可以使用多个账号轮流发请求；如果针对IP，可通过IP代理；还可以为相邻的两个请求设置合适的时间间隔来，减小请求频率，从而避免被服务端认定为爬虫。

参考资料：网络爬虫搜狗百科

爬虫是神马？？

又称网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者。

是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

分为以下几种类型：通用网络爬虫、聚焦网络爬虫、增量式网络爬虫、深层网络爬虫。

实际的网络爬虫系统通常是几种爬虫技术相结合实现的

开源爬虫框架各有什么优缺点？

首先爬虫框架有三种 1. 分布式爬虫：Nutch 2. JAVA单机爬虫：Crawler4j，WebMagic，WebCollector 3. 非JAVA单机爬虫：scrapy 第一类:分布式爬虫 优点： 1. 海量URL管理 2. 网速快 缺点： 1. Nutch是为搜索引擎设计的爬虫，大多数用户是需要一个做精准数据爬取（精抽取）的爬虫。

Nutch运行的一套流程里，有三分之二是为了搜索引擎而设计的。

对精抽取没有太大的意义。

2. 用Nutch做数据抽取，会浪费很多的时间在不必要的计算上。

而且如果你试图通过对Nutch进行二次开发，来使得它适用于精抽取的业务，基本上就要破坏Nutch的框架，把Nutch改的面目全非。

3. Nutch依赖hadoop运行，hadoop本身会消耗很多的时间。

如果集群机器数量较少，爬取速度反而不如单机爬虫。

4. Nutch虽然有一套插件机制，而且作为亮点宣传。

可以看到一些开源的Nutch插件，提供精抽取的功能。

但是开发过Nutch插件的人都知道，Nutch的插件系统有多蹩脚。

利用反射的机制来加载和调用插件，使得程序的编写和调试都变得异常困难，更别说在上面开发一套复杂的精抽取系统了。

5. Nutch并没有为精抽取提供相应的插件挂载点。

Nutch的插件有只有五六个挂载点，而这五六个挂载点都是为了搜索引擎服务的，并没有为精抽取提供挂载点。

大多数Nutch的精抽取插件，都是挂载在“页面解析”(parser)这个挂载点的，这个挂载点其实是为了解析链接（为后续爬取提供URL），以及为搜索引擎提供一些易抽取的网页信息(网页的meta信息、text) 6. 用Nutch进行爬虫的二次开发，爬虫的编写和调试所需的时间，往往是单机爬虫所需的十倍时间不止。

了解Nutch源码的学习成本很高，何况是要让一个团队的人都读懂Nutch源码。

调试过程中会出现除程序本身之外的各种问题(hadoop的问题、hbase的问题)。

7. Nutch2的版本目前并不适合开发。

官方现在稳定的Nutch版本是nutch2.2.1，但是这个版本绑定了gora-0.3。

Nutch2.3之前、Nutch2.2.1之后的一个版本，这个版本在官方的SVN中不断更新。

而且非常不稳定（一直在修改）。

第二类:JAVA单机爬虫 优点： 1. 支持多线程。

2. 支持代理。

3. 能过滤重复URL的。

4. 负责遍历网站和下载页面。

爬js生成的信息和网页信息抽取模块有关，往往需要通过模拟浏览器(htmlunit,selenium)来完成。

缺点： 设计模式对软件开发没有指导性作用。

用设计模式来设计爬虫，只会使得爬虫的设计更加臃肿。

第三类:非JAVA单机爬虫 优点： 1. 先说python爬虫，python可以用30行代码，完成JAVA? 2. 50行代码干的任务。

python写代码的确快，但是在调试代码的阶段，python代码的调试往往会耗费远远多于编码阶段省下的时间。

3. 使用python开发，要保证程序的正确性和稳定性，就需要写更多的测试模块。

当然如果爬取规模不大、爬取业务不复杂，使用scrapy这种爬虫也是蛮不错的，可以轻松完成爬取任务。

缺点： 1. bug较多，不稳定。

1. 爬虫可以爬取ajax信息么？ 网页上有一些异步加载的数据，爬取这些数据有两种方法：使用模拟浏览器（问题1中描述过了），或者分析ajax的http请求，自己生成ajax请求的url，获取返回的数据。

如果是自己生成ajax请求，使用开源爬虫的意义在哪里？其实是要用开源爬虫的线程池和URL管理功能（比如断点爬取）。

2. 如果我已经可以生成我所需要的ajax请求（列表），如何用这些爬虫来对这些请求进行爬取？ ? ? ? 爬虫往往都是设计成广度遍历或者深度遍历的模式，去遍历静态或者动态页面。

爬取ajax信息属于deepweb（深网）的范畴，虽然大多数爬虫都不直接支持。

但是也可以通过一些方法来完成。

比如WebCollector使用广度遍历来遍历网站。

爬虫的第一轮爬取就是爬取种子集合(seeds)中的所有url。

简单来说，就是将生成的ajax请求作为种子，放入爬虫。

用爬虫对这些种子，进行深度为1的广度遍历（默认就是广度遍历）。

3. 爬虫怎么爬取要登陆的网站？ 这些开源爬虫都支持在爬取时指定cookies，模拟登陆主要是靠cookies。

至于cookies怎么获取，不是爬虫管的事情。

你可以手动获取、用http请求模拟登陆或者用模拟浏览器自动登陆获取cookie。

4. 爬虫怎么抽取网页的信息？ 5. 开源爬虫一般都会集成网页抽取工具。

主要支持两种规范：CSSSELECTOR和XPATH。

6. 网页可以调用爬虫么？ 爬虫的调用是在Web的服务端调用的，平时怎么用就怎么用，这些爬虫都可以使用。

7. 爬虫速度怎么样？ 单机开源爬虫的速度，基本都可以讲本机的网速用到极限。

爬虫的速度慢，往往是因为用户把线程数开少了、网速慢，或者在数据持久化时，和数据库的交互速度慢。

而这些东西，往往都是用户的机器和二次开发的代码决定的。

这些开源爬虫的速度，都很可以。

网络爬虫技术

网络技术包含的方面太多了。

有安全方面的，路由和交换方面的，服务器的管理和部署方面的，甚至像思科和华为的认证还有语音、存储、运营商方面的，也有像网络编程这一块的（网站设计），这些东西你不可能都学好的，选择一个方向慢慢学。

我建议你从路由和交换技术学起。