劉文輝　李麗

摘 要：面對數(shù)據(jù)大爆炸，人們很難獲取有用的信息。網(wǎng)絡爬蟲技術成為了搜索引擎中最為重要的部分，能夠有效的在海量數(shù)據(jù)中找到有價值的信息。本論文從不同方面基于python的網(wǎng)絡爬蟲技術的研究，希望為研究網(wǎng)絡爬蟲技術的專家和學者提供理論參考依據(jù)。

關鍵詞：python；網(wǎng)絡爬蟲技術；分析

隨著我國社會化和移動互聯(lián)網(wǎng)的逐步發(fā)展，網(wǎng)絡上的數(shù)據(jù)呈爆炸式增長。數(shù)據(jù)大爆炸，導致了那些有需要的人們在網(wǎng)上找他們所需的信息愈發(fā)的困難，由此搜索引擎根據(jù)這種需求產(chǎn)生了。這個時候我們需要搜索引擎去解決的困難，不僅僅是幫助人們從大量的數(shù)據(jù)里找到答案，還要在大量的答案里面找到人們最需要的結果，迅速快捷的找到精準答案比找到很多無用答案更被人們所需要。搜素引擎要做什么呢？搜索引擎需要從海量數(shù)據(jù)中提取價值，即為數(shù)據(jù)挖掘。從本質上看，搜索引擎是一個典型的大數(shù)據(jù)應用。網(wǎng)絡爬蟲技術在搜索引擎中，是很關鍵也很基礎的構件。搜索引擎聚集了網(wǎng)絡中成千上萬的信息網(wǎng)頁，并為網(wǎng)頁中逐個詞建立索引。在人們設立搜索引擎的過程中，采集信息網(wǎng)頁是一個很重要的部分。爬蟲程序就是用來搜集網(wǎng)頁的程序。網(wǎng)絡爬蟲是搜索引擎中信息采集的部分，整個搜索引擎索引網(wǎng)頁的質量、數(shù)量和更新周期，都會受網(wǎng)絡爬蟲技術性能的影響。因此對于網(wǎng)絡爬蟲的研究具有深遠的意義。

1 網(wǎng)絡爬蟲以及網(wǎng)絡爬行

網(wǎng)絡爬蟲（Web Crawler）是搜索引擎的最基礎部分，主要是一個能夠下載網(wǎng)頁的計算機程序或者腳本，又被稱為網(wǎng)絡蜘蛛（Web Spider）。一般而言，網(wǎng)絡爬蟲從種子集的URL 集合開始運行，先將 URL 放入一個有序隊列中，然后按照一定的順序將 URL 取出，然后下載所對應的頁面。經(jīng)過對網(wǎng)絡頁面的分析，獲取新的 URL，并將其放入有序隊列中，如此反復，直到隊列為空或者是滿足停止爬行的條件，從而遍歷整個網(wǎng)絡。這便是網(wǎng)絡爬蟲的運行過程，稱為網(wǎng)絡爬行（Web Crawling）。

2 網(wǎng)絡爬蟲的分類

網(wǎng)絡爬蟲的分類比較多，根據(jù)其結構和實現(xiàn)技術主要可以分為通用網(wǎng)絡爬蟲、聚焦網(wǎng)絡爬蟲、增量式網(wǎng)絡爬蟲以及深層網(wǎng)絡爬蟲四種，實際應用中的網(wǎng)絡爬蟲一般是多種及技術結合實現(xiàn)的。

2.1通用網(wǎng)絡爬蟲

一般情況下，通用網(wǎng)絡爬蟲對爬行頁面的順序要求不高，大多采用并行的工作方式，刷新頁面需要的時間比較長。因此，通用網(wǎng)絡爬蟲往往會采用一定的爬行策略來縮短爬行時間，比較常用的有深度優(yōu)先和廣度優(yōu)先兩種。深度優(yōu)先是指按照深度由低到高訪問鏈接，直到無法再深入；廣度優(yōu)先是指首先爬行網(wǎng)頁的淺目錄內(nèi)容，然后爬行深目錄內(nèi)容。比較常見的通用網(wǎng)絡爬蟲有 Mercator 和Google Crawler。Google Crawler 是一個分布式的爬蟲，它利用異步 I/O 來實現(xiàn)并行化，并且擁有獨立的進程來維護 URL 隊列，Google Crawler 還使用了PageRank 等多種算法來提高系統(tǒng)的性能。

2.2聚焦網(wǎng)絡爬蟲

聚焦網(wǎng)絡爬蟲能夠選擇性的爬行與預設主題相關的頁面。聚焦爬蟲的爬行范圍小，能夠有效的節(jié)省網(wǎng)絡資源，并且頁面更新比較快。聚焦網(wǎng)絡爬蟲的爬行策略主要由頁面的內(nèi)容評價以及連接的結構評價決定。在基于內(nèi)容評價的爬行策略中，主要采用 Fish Search 算法來評價查詢頁面與查詢主題的相關度；在基于連接結構評價的爬行策略中，主要 PageRank 算法來評價鏈接的重要性，具體就是優(yōu)先訪問 PageRank 值最大的頁面；在基于增強學習的爬行策略中，利用貝葉斯分類器對文本進行分類，從而計算出不同鏈接的重要性，從而確定訪問順序。

2.3增量式網(wǎng)絡爬蟲

增量式網(wǎng)頁爬蟲主要是對已經(jīng)下載的網(wǎng)頁進行更新，只爬行更新的網(wǎng)頁，從而保證刷新出的網(wǎng)頁是最新的。增量式網(wǎng)絡爬蟲一般只在頁面需要時才會開始爬行，不會重復下載沒有發(fā)生變化的網(wǎng)頁，因此在很大程度上減少了網(wǎng)絡資源的浪費，但是算法比較復雜且實現(xiàn)難度比較大。

3 基于Python的網(wǎng)絡爬蟲分析

3.1 Python語言的優(yōu)越性

（1）方便簡單，容易上手。Python幾乎能在所有的操作系統(tǒng)上運行，很容易上手，初學者可以快速適應。

（2）Python是一個廣泛使用的腳本語言，其自帶了urllib、url-lib2等爬蟲最基本的庫，可以抓取Url的內(nèi)容。

（3）Python擅長處理字節(jié)流的各種模式，具有很好的開發(fā)速度。

3.2 Python網(wǎng)絡爬蟲模塊

3.2.1 Url管理模塊

Url管理模塊的作用是管理Url，包括已經(jīng)被抓取的Url集合和還未被抓取的Url集合。Url管理模塊可以有效預防重復抓取循環(huán)抓取的問題。

Python中實現(xiàn)網(wǎng)址管理有三種途徑：

（1）存儲在內(nèi)存中，針對于Url數(shù)據(jù)較少的情況。在Python中用Set（）集合加以實現(xiàn)，Set（）可以消除重復數(shù)據(jù)，避免重復抓取的問題。

（2）存儲在關系數(shù)據(jù)庫，實現(xiàn)永久存儲。建立Url表，該表中有兩個字段，一個字段是Url地址，另一個字段用來表示Url是否被抓取。

（3）存儲在緩存數(shù)據(jù)庫redis中，針對于Url數(shù)據(jù)較多的情況下。也可以用Set（）集合來實現(xiàn)，來存取“待爬”的Url地址和“已爬”的Url地址。

3.2.2 網(wǎng)頁下載器

網(wǎng)頁下載器將Url對應的網(wǎng)頁下載到本地，將其存儲為字符串，以便接下來對數(shù)據(jù)進行處理。

Python支持的網(wǎng)頁下載工具有兩種：Python自身攜帶的urllib2模塊。urllib2針對于簡單的網(wǎng)絡爬蟲，能夠完成網(wǎng)頁下載，提交用戶數(shù)據(jù)，代理訪問，客戶登錄等多種功能。

3.2.3 網(wǎng)頁解析器

網(wǎng)頁解析器用來從網(wǎng)頁中提取從最初想要的數(shù)據(jù)。實則上提取的是兩部分：（1）Url列表；（2）目標數(shù)據(jù)。Python中的網(wǎng)頁解析器有兩種類型：

（1）利用正則表達式。正則表達式將網(wǎng)頁當作字符串來處理，只適用于簡單的網(wǎng)頁。一般網(wǎng)頁較為復雜時，不采用此類方法。

（2）基于網(wǎng)頁的DOM結構。DOM樹是一種樹形標簽結構。網(wǎng)頁解析器會將HTML文檔當成DOM樹，對其進行上下級結構的遍歷來提取有用信息。使用樹形結構可以對網(wǎng)頁中的具體信息來進行定位，定位到具體的某個節(jié)點、屬性等。其中BeautifulSoup解析器功能強大，更為盛行。BeautifulSoup利用find_all（）和find（）方法來搜索節(jié)點，find_all（）可以查找所有符合查詢條件的標簽節(jié)點，并返回一個列表。find（）方法查找符合查詢條件的第一個標簽節(jié)點。用這兩種方法搜索節(jié)點，提取有價值信息。

參考文獻

[1]大數(shù)據(jù)環(huán)境下的網(wǎng)絡爬蟲設計[J].郭麗蓉.山西電子技術.2018（02）

[2]基于網(wǎng)絡爬蟲技術的時令旅游信息獲取[J].鄭鑫臻，吳韶波.物聯(lián)網(wǎng)技術.2018（05）

[3]主題網(wǎng)絡爬蟲抓取策略的研究[J].劉清.科技廣場.2017（04）

[4]網(wǎng)絡爬蟲技術的研究與實現(xiàn)[J].繆治.中國新通信.2019（06）

[5]基于匿名網(wǎng)絡的網(wǎng)絡爬蟲設計與實現(xiàn)分析[J].劉煥欣.計算機產(chǎn)品與流通.2017（12）

[6]主題網(wǎng)絡爬蟲關鍵技術的應用探討[J].楊凌云.電腦編程技巧與維護.2018（11）

[7]網(wǎng)絡爬蟲技術在電力產(chǎn)業(yè)中的應用[J].賀冠博，蘇宇琦，黃源.電子技術與軟件工程.2017（18）

[8]一種新的主題網(wǎng)絡爬蟲爬行策略[J].宋海洋，劉曉然，錢?？?計算機應用與軟件.2011（11）