網(wǎng)絡(luò)爬蟲之通用爬蟲和聚焦爬蟲

根據(jù)使用場(chǎng)景，網(wǎng)絡(luò)爬蟲可分為通用爬蟲和聚焦爬蟲兩種。通用爬蟲是捜索引擎抓取系統(tǒng)（Baidu、Google、Yahoo等）的重要組成部分，主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁下載到本地，形成一個(gè)互聯(lián)網(wǎng)內(nèi)容的鏡像備份。聚焦爬蟲，是“面向特定主題需求”的一種網(wǎng)絡(luò)爬蟲程序。接下來，就對(duì)這兩種爬蟲分別進(jìn)行介紹。

1. 通用爬蟲

通用爬蟲又稱全網(wǎng)爬蟲（Scalable Web Crawler），它將爬取對(duì)象從一些種子 URL擴(kuò)充到整個(gè)Web上的網(wǎng)站，主要用途是為門戶站點(diǎn)搜索引擎和大型Web服務(wù)提供商采集數(shù)據(jù)。

這類網(wǎng)絡(luò)爬蟲的爬行范圍和數(shù)量巨大，對(duì)于爬行速度和存儲(chǔ)空間要求較高，對(duì)于爬行頁面的順序要求相對(duì)較低，同時(shí)由于待刷新的頁面太多，通常采用并行工作方式，但需要較長(zhǎng)時(shí)間才能刷新一次頁面。

2. 聚焦爬蟲

聚焦爬蟲（Focused Crawler），又稱主題網(wǎng)絡(luò)爬蟲（Topical Crawler），是指選擇性地爬行那些與預(yù)先定義好的主題相關(guān)的頁面的網(wǎng)絡(luò)爬蟲。

和通用爬蟲相比，聚焦爬蟲只需要爬行與主題相關(guān)的頁面，從而極大地節(jié)省了硬件和網(wǎng)絡(luò)資源，保存的頁面也由于數(shù)量少而更新快，還可以很好地滿足一些特定人群對(duì)特定領(lǐng)域信息的需求。

Python爬蟲可以做什么？

Python爬蟲難學(xué)嗎？學(xué)會(huì)需要多久？

三種分布式爬蟲策略的優(yōu)缺點(diǎn)

黑馬程序員python+大數(shù)據(jù)培訓(xùn)課程