网络爬虫基本原理 * *目录 基本描述 需要理解的算法 数据分类 抓取策略 更新策略 *网络爬虫 网络爬虫（又被称为网页蜘蛛，网络机器人），是一种按照一定的规则，自动的 抓取万维网信息的程序或者脚本，是搜索引擎的重要组成。传统爬虫从一个或若 干初始网页的开始，获得初始网页上的，在抓取网页的过程中，不断从当前页面 上抽取新的放入队列，直到满足系统的一定停止条件。 *聚焦爬虫 传统爬虫从一个或若干初始网页的开始，获得初始网页上的，在抓取网页的过程 中，不断从当前页面上抽取新的放入队列,直到满足系统的一定停止条件。聚焦爬 虫的工作流程较为复杂，需要根据一定的网页分析算法过滤与主题无关的链接， 保留有用的链接并将其放入等待抓取的队列。然后，它将根据一定的搜索策略从 队列中选择下一步要抓取的网页，并重复上述过程，直到达到系统的某一条件时 停止。另外，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤， 并建立索引，以便之后的查询和检索；对于聚焦爬虫来说，这一过程所得到的分 析结果还可能对以后的抓取过程给出反馈和指导。 *简单流程 : * 下载网页库 种子 已抓取 待抓取 解析 网页数据 分
