您的位置: 首页 > 新闻资讯 > 正文

盘点网络爬虫几种常见类型

发布时间:2019-01-14 15:43:36 来源:互联网

网络爬虫根据系统结构和实现技术,大概可以分成以下几种类型: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。

盘点网络爬虫几种常见类型

一、通用网络爬虫

通用网络爬虫叫做全网爬虫,爬行对象从一些种子 URL 扩大到全部 Web,主要为门户网站站点搜索引擎和大型 Web 服务提供商采集网络数据。 由于商业服务原因,它们的技术细节不怎么公布出来。 这类网络爬虫的爬行范畴和数量极大,对于爬行速度和储存空间要求较高,对于爬行网页页面的顺序要求相对较低,同时因为待刷新的页面过多,通常采用并行工作方式,但需要长时间才能刷新一次页面。 尽管存在一定缺点,通用网络爬虫适用于为搜索引擎搜索广泛的主题,有较强的应用价值。

二、增量式网络爬虫

增量式网络爬虫是 指 对 已 下 载 网 页 采 取 增 量式更新和只爬行新产生的或是早已发生变化网页的爬虫,它可以在一定程度上确保所爬行的页面是尽量新的网页。 和周期性爬行和刷新页面的网络爬虫对比,增量式爬虫只会在需要的时候爬行新产生或发生更新的网页 ,并不重新下载没有发生变化的网页页面,可有效减少数据下载量,及时更新已爬行的网页,缩减时间和空间上的耗费,可是增多了爬行算法的复杂度和实现难度。增量式网络爬虫的体系结构包含爬行模块、排序模块、更新模块、本地页面集、待爬行 URL 集以及本地页面URL 集等

三、Deep Web 爬虫

Web 页面按存在方式可以分为表层网页(Surface Web)和深层网页(Deep Web,也称 Invisible Web Pages 或 Hidden Web)。 表层网页是指传统搜索引擎可以索引的网页,以超链接可以到达的静态网页为主构成的 Web 页面。Deep Web 是那些绝大多数内容不可以通过静态链接获得的、掩藏在搜索表单后的,只有用户提交一些关键词才能获得的 Web 页面。比如那些用户注册后内容才看得见的网页就属于 Deep Web。 2000 年 Bright Planet 指出:Deep Web 中可访问信息容量是 Surface Web 的几百倍,是互联网上最大、发展最快的新型信息资源。

黑洞代理IP代理、国内最靠谱的IP代理、高匿名代理、API调用频率快、并发请求数量不限制、价格低,高速稳定,多机器调用、欢迎免费试用!


相关文章内容简介

1 盘点网络爬虫几种常见类型

网络爬虫根据系统结构和实现技术,大概可以分成以下几种类型: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。一、通用网络爬虫通用网络爬虫叫做全网爬虫,爬行对象从一些种子∵URL∵扩大到全部∵Web,主要为门户网站站点搜索引擎和大型∵Web∵服务提供商采集网络数据。∵由于... [阅读全文]

最新标签