蜘蛛程序是什么東西（蜘蛛程序和機(jī)器人程序是什么）

原標(biāo)題：蜘蛛程序是什么東西（蜘蛛程序和機(jī)器人程序是什么）

　　

蜘蛛程序是什么東西

　　什么是蜘蛛程序(spider)?

　　蜘蛛也稱為機(jī)器人，指的是搜索引擎運(yùn)行的計(jì)算機(jī)程序，沿著頁(yè)面上的超鏈接發(fā)現(xiàn)和爬行更多頁(yè)面，抓取頁(yè)面內(nèi)容，關(guān)入搜索引擎數(shù)據(jù)庫(kù)。

　　蜘蛛程序就是爬行程序，是搜索引擎的一部分，負(fù)責(zé)在互聯(lián)網(wǎng)上程序定位和收這樣能夠響應(yīng)搜索者的請(qǐng)求，成功的搜索引擎營(yíng)銷取決于爬的網(wǎng)頁(yè)。

　　什么是蜘蛛程序通道(spider paths)?

蜘蛛程序和機(jī)器人程序是什么

　　蜘蛛程序通道是用于站點(diǎn)導(dǎo)航的輕松通道，例如站點(diǎn)地圖，分類地圖，國(guó)家地圖，或者在關(guān)鍵網(wǎng)頁(yè)底部的文本鏈接，蜘蛛通道包括任何能使蜘蛛程序輕松找到你有網(wǎng)頁(yè)的方法。

　　什么是蜘蛛程序陷阱(spider trap)?

　　蜘蛛陷阱指的是由于網(wǎng)站結(jié)構(gòu)的某種特征，使搜索引擎陷入無限循環(huán)，無法停止爬行，最典型的蜘蛛陷阱是某些頁(yè)面上的萬年歷，搜索引擎可以一直單擊下一個(gè)月陷入無限循環(huán)。

　　蜘蛛程序陷阱是阻止蜘蛛程序爬些網(wǎng)頁(yè)顯示的技術(shù)方法，這些手段能很好地配合瀏覽器，但對(duì)蜘蛛程序就構(gòu)成了阻礙，蜘蛛陷阱包括Javascript下拉菜單以及有些種類的重定向。

　　百度蜘蛛的運(yùn)行原理是什么?

　　1、蜘蛛通過百度蜘蛛下載回來的網(wǎng)頁(yè)放到補(bǔ)充數(shù)據(jù)區(qū)，通過各種程序計(jì)算過后才放到檢索區(qū)，才會(huì)形成穩(wěn)定的排名，所以說只要下載回來的東西都可以通過指令找到，補(bǔ)充數(shù)據(jù)是不穩(wěn)定的，有可能在各種計(jì)算的過程中給k掉，檢索區(qū)的數(shù)據(jù)排名是相對(duì)比較穩(wěn)定的，百度目 前是緩存機(jī)制和補(bǔ)充數(shù)據(jù)相結(jié)合的，正在向補(bǔ)充數(shù)據(jù)轉(zhuǎn)變，這也是目 前百度收錄困難的原因，也是很多站點(diǎn)今天給k了明天又放出來的原因。

　　2、深度優(yōu)先和權(quán)重優(yōu)先，百度蜘蛛抓頁(yè)面的時(shí)候從起始站點(diǎn)(即種子站點(diǎn)指的是一些門戶站點(diǎn))是廣度優(yōu)先抓取是為了抓取更多的網(wǎng)址，深度優(yōu)先抓取的目的是為了抓取高質(zhì)量的網(wǎng)頁(yè)，這個(gè)策略是由調(diào)度來計(jì)算和分配的，百度蜘蛛只負(fù)責(zé)抓取，權(quán)重優(yōu)先是指反向連接較多的頁(yè)面的優(yōu)先抓取，這也是調(diào)度的一種策略，一般情況下網(wǎng)頁(yè)抓取抓到40%是正常范圍，60%算很好，100%是不可能的，當(dāng)然抓取的越多越好。

　　如何寫爬取鏈接的蜘蛛小程序?

　　1、打開并讀取目標(biāo)網(wǎng)頁(yè)內(nèi)容，可以使用urllib2、request等庫(kù);

　　2、解析網(wǎng)頁(yè)內(nèi)容，尋找外鏈的鏈接地址。可以使用re寫正則表達(dá)式來處理(類似于抓字段并提取其中的一部分)，也可以通過beautifulsoup等專門的html解析庫(kù)來處理;

　　3、從外鏈地址中提取網(wǎng)站名稱。這個(gè)應(yīng)該用re就可以簡(jiǎn)單解決了;

　　4、比較此次獲取的網(wǎng)站名稱、之前存儲(chǔ)的網(wǎng)站名稱。如果重復(fù)，則跳過;如果無重復(fù)，則保存此次獲取的網(wǎng)站名稱。

　　5、定時(shí)輸出保存搜索結(jié)果。不停循環(huán)上述過程，直到達(dá)到你的設(shè)計(jì)目標(biāo)。

　　不過需要注意的是：

　　1、有一些網(wǎng)站不希望被爬蟲爬取，會(huì)留有robot.txt文件進(jìn)行說明。爬蟲程序最好尊重別人設(shè)定的限制。

　　2、為了減小對(duì)目標(biāo)網(wǎng)站的訪問負(fù)擔(dān)，建議不要在短時(shí)間內(nèi)對(duì)某一個(gè)網(wǎng)站發(fā)起大量鏈接，可以用time.sleep()等機(jī)器人方式均衡負(fù)載。

　　以上只是最簡(jiǎn)單的思路，根據(jù)實(shí)際任務(wù)情況的不同，可能會(huì)有很多需要擴(kuò)展的地方，比如：東西

　　1、有一些網(wǎng)站要求用戶驗(yàn)證，需要打開網(wǎng)頁(yè)時(shí)特別設(shè)置;

　　2、網(wǎng)站編碼問題，特別是正則表達(dá)式的編碼要和網(wǎng)頁(yè)編碼相一致(特別是re搜索中文的時(shí)候);

　　3、連接并打開網(wǎng)頁(yè)是否成功?不成功應(yīng)當(dāng)怎么處理?

　　4、有一些網(wǎng)頁(yè)內(nèi)容可能是通過ajax動(dòng)態(tài)加載的，這可能就需要額外的解決方案了(比如selenimum, phantomJS等等)。

　　5、有時(shí)為了提高抓取效率需要進(jìn)行多線程擴(kuò)充，這就涉及到Queue、multithreading等許多額外的庫(kù)了。