一篇文章带你了解网络爬虫的概念及其工作原理

2019-02-12 10:45

众所周知，随着计算机、互联网、物联网、云计算等网络技术的风起云涌，网络上的信息呈爆炸式增长。毋庸置疑，互联网上的信息几乎囊括了社会、文化、政治、经济、娱乐等所有话题。使用传统数据收集机制（如问卷调查法、访谈法）进行捕获和采集数据，往往会受经费和地域范围所限，而且还会因其样本容量小、信度低等因素导致收集的数据往往与客观事实有所偏颇，有着较大的局限性。

网络爬虫通过统一资源定位符URL （Uniform ResourceLocator）来查找目标网页，将用户所关注的数据内容直接返回给用户，并不需要用户以浏览网页的形式去获取信息，为用户节省了时间和精力，并提高了数据采集的准确度，使用户在海量数据中游刃有余。网络爬虫的最终目的就是从网页中获取自己所需的信息。虽然利用urllib、urllib2、re等一些爬虫基本库可以开发一个爬虫程序，获取到所需的内容，但是所有的爬虫程序都以这种方式进行编写，工作量未免太大了些，所有才有了爬虫框架。使用爬虫框架可以大大提高效率，缩短开发时间。

网络爬虫（web crawler）又称为网络蜘蛛（web spider）或网络机器人（web robot），另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或蠕虫，同时它也是“物联网”概念的核心之一。网络爬虫本质上是一段计算机程序或脚本，其按照一定的逻辑和算法规则自动地抓取和下载万维网的网页，是搜索引擎的一个重要组成部分。

网络爬虫一般是根据预先设定的一个或若干个初始网页的URL开始，然后按照一定的规则爬取网页，获取初始网页上的URL列表，之后每当抓取一个网页时，爬虫会提取该网页新的URL并放入到未爬取的队列中去，然后循环的从未爬取的队列中取出一个URL再次进行新一轮的爬取，不断的重复上述过程，直到队列中的URL抓取完毕或者达到其他的既定条件，爬虫才会结束。具体流程如下图所示。