爬虫概念

Posted 2020-09-14 风少

通常搜索引擎处理的对象是互联网网页。首先面临的问题是：如何能够设计出高效的下载系统，以将如此海量的网页数据传送到本地，在本地形成互联网网页的镜像备份。网络爬虫即起此作用，它是搜索引擎系统中很关键也很基础的构件。

爬虫，实际上就是通过相应的技术，抓取页面上特定的信息。

 

1，爬虫框架
　　首先从互联网页面中精心选择一部分网页，以这些网页的链接地址作为种子URL，将这些种子URL放入待抓取URL队列中，爬虫从待抓取URL队列依次读取，并将URL通过DNS解析，把链接地址转换为网站服务器对应的IP地址，然后将其和网页相对路径名称交给网页下载器，网页下载器负责页面内容的下载。对于下载到本地的网页，一方面将其存储到页面库中，等待建立索引等后续处理;另一方面将下载的URL放入已抓取URL队列中，这个队列记载了爬虫系统已经下载过的URL以避免重复抓取。对于刚下载的网页，从中抽取所包含的所有链接信息，并在已抓取URL队列中检查，如果发现链接还没有被抓取过，则将这个URL放入待抓取URL队列末尾，在之后的抓取调度中会下载这个URL对应的网页。如此这般形成循环，直到待抓取URL队列为空。

　　互联网页面可划分为5个集合：

　　已下载的网页集合：爬虫已经从互联网下载到本地进行索引的网页集合

　　已过期的网页集合

　　待下载的网页集合

　　可知的网页集合：这些网页还没有被爬虫下载也没有出现在待抓取URL队列中，不过通过已经抓取的网页或者在待抓取URL队列中的网页，总是可以通过链接关系发现它们

　　不可知的网页集合：这些网页对爬虫来说是无法抓取到的。这部分网页所占的比例很高。

 

2，优秀爬虫的特性
　　高性能：主要指爬虫下载网页的抓取速度，高效的数据结构对于爬虫的性能影响很大

　　可扩展性

　　健壮性：爬虫能够正确处理各种异常情况

　　友好性：一是保护网站的部分私密性，二是减少被抓取网站的网络负载

3，网络爬虫研发的目标
　　在资源有限的情况下，既然搜索引擎只能抓取互联网现存网页的一部分，那么就尽可能选择比较重要的那部分网页来索引；对于已经抓取到的网页，尽可能快地更新其内容，使得索引网页和互联网对应页面内容同步更新；在此基础上尽可能扩大抓取范围，抓取到更多以前无法发现的网页。

4，抓取策略
　　抓取策略的基本目标：优先选择重要的网页进行抓取。

　　宽度优先遍历策略：将新下载网页包含的链接直接追加到待抓取URL队列末尾

　　非完全PageRank策略：对于已经下载的网页，加上待抓取URL队列中的URL一起，形成网页集合，在此集合内进行PageRank计算，计算完成后，将待抓取URL队列里的网页按照PageRank得分由高到低排序，形成的序列就是爬虫接下来应该依次抓取的URL列表。

　　OPIC策略：“在线页面重要性计算”。在算法开始前，每个互联网页面都给予相同的“现金”，每当下载了某个页面P后，P将自己拥有的“现金”平均分配给页面中包含的链接页面，把自己的“现金”清空。而对于待抓取URL队列中的网页，则根据其手头拥有的现金金额多少排序，优先下载现金最充裕的网页。OPIC与PageRank的区别：PageRank每次需要迭代计算，而OPIC策略不需要迭代过程。

　　大站优先策略：以网站为单位来衡量网页的重要性。对于待抓取URL队列中的网页，根据所属网站归类，如果哪个网站等待下载的页面最多，则优先下载这些链接。

5，网页更新策略
　　任务：决定何时重新抓取之前已经下载过的网页，以尽可能使得本地下载网页和互联网原始页面保持一致。

　　历史参考策略：过去频繁更新的网页，未来也会频繁更新。

　　用户体验策略：保存网页的多个历史版本，并根据过去每次内容变化对搜索质量的影响，得出一个平均值，以此作为判断爬虫重抓该网页时机的参考依据，对于影响越厉害的网页，则越优先调度重新抓取。

　　聚类抽样策略：首先根据网页所表现出的特征，将其聚类成不同的类别，每个类别内的网页具有相似的更新周期。从类别中抽取一部分最有代表性的网页，对这些网页计算其更新周期，那么这个更新周期适用于类别内所有的网页，之后即可根据网页所属类别来决定其更新频率。

6，暗网抓取
　　暗网，指目前搜索引擎爬虫按照常规方式很难抓取到的互联网页面。如携程旅行网的机票数据，很难有显式链接指向数据库内的记录，往往是服务网站提供组合查询界面，只有用户按照需求输入查询之后，才可能获得相关数据。

　　暗网爬虫的目的是将暗网数据从数据库中挖掘出来，并将其加入到搜索引擎的索引，这样用户在搜索时便可利用这些数据，增加信息覆盖程度。

　　查询组合问题：Google对此提出了富含信息查询模版技术。对于某个固定的查询模版来说，如果给模版内每个属性都赋值，形成不同的查询组合，提交给垂直搜索引擎，观察所有返回页面的内容，如果相互之间内容差异较大，则这个查询模版就是富含信息查询模版。Google使用了ISIT算法：首先从一维模版开始，对一维查询模版逐个考察，看其是否富含信息查询模版，如果是则将这个一维模版扩展到二维，再次依次考察对应的二维模版，如此类推，逐步增加维数，直到再也找不到富含信息查询模版为止。

　　文本框填写问题：通过人工观察网站进行定位，提供一个与网站内容相关的初始种子查询关键词表，并向垂直搜索引擎提交查询，并下载返回的结果页面。之后从返回结果页面里自动挖掘出相关的关键词，并形成一个新的查询列表，依次将新挖掘出的查询提交给搜索引擎。如此往复，直到无法下载到新的内容为止。

7，分布式爬虫
　　分布式爬虫的3个层级：分布式数据中心，分布式抓取服务器及分布式爬虫程序。每个数据中心由多台高速网络连接的抓取服务器构成，而每台服务器又可以部署多个爬虫程序。

　　主从式分布爬虫：不同服务器承担不同的角色分工，其中一台专门负责对其他服务器提供URL分发服务，其他机器进行实际的网页下载。URL服务器容易成为整个系统的瓶颈。

　　对等式分布爬虫：服务器之间不存在分工差异，每台服务器承担相同的功能，各自负担一部分URL的抓取工作。判断某个URL是否应该由自己来抓取或者将该URL传递给相应的服务器，可对网址的主域名使用哈希取模或一致性哈希方法。