通用爬蟲和聚焦爬蟲介紹【Python技術(shù)文章】

更新時間:2021年06月09日14時52分來源:傳智教育瀏覽次數(shù):

根據(jù)使用場景，網(wǎng)絡(luò)爬蟲可分為通用爬蟲和聚焦爬蟲兩種。通用爬蟲是捜索引擎抓取系統(tǒng)（Baidu、Google、Yahoo等）的重要組成部分，主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁下載到本地，形成一個互聯(lián)網(wǎng)內(nèi)容的鏡像備份。聚焦爬蟲，是“面向特定主題需求”的一種網(wǎng)絡(luò)爬蟲程序。接下來，就對這兩種爬蟲分別進行介紹。

1. 通用爬蟲

通用爬蟲又稱全網(wǎng)爬蟲（Scalable Web Crawler），它將爬取對象從一些種子 URL擴充到整個Web上的網(wǎng)站，主要用途是為門戶站點搜索引擎和大型Web服務(wù)提供商采集數(shù)據(jù)。

這類網(wǎng)絡(luò)爬蟲的爬行范圍和數(shù)量巨大，對于爬行速度和存儲空間要求較高，對于爬行頁面的順序要求相對較低，同時由于待刷新的頁面太多，通常采用并行工作方式，但需要較長時間才能刷新一次頁面。

2. 聚焦爬蟲

聚焦爬蟲（Focused Crawler），又稱主題網(wǎng)絡(luò)爬蟲（Topical Crawler），是指選擇性地爬行那些與預(yù)先定義好的主題相關(guān)的頁面的網(wǎng)絡(luò)爬蟲。

和通用爬蟲相比，聚焦爬蟲只需要爬行與主題相關(guān)的頁面，從而極大地節(jié)省了硬件和網(wǎng)絡(luò)資源，保存的頁面也由于數(shù)量少而更新快，還可以很好地滿足一些特定人群對特定領(lǐng)域信息的需求。

猜你喜歡：

多線程爬蟲是什么？多線程爬蟲流程分析

Python爬蟲支持的網(wǎng)頁解析技術(shù)有哪些？

【Python面經(jīng)題】爬蟲數(shù)據(jù)為什么選擇Mongodb存儲？

傳智教育python+大數(shù)據(jù)開發(fā)培訓(xùn)

上一篇：Scrapy框架的運行流程詳解 下一篇：數(shù)據(jù)倉庫的結(jié)構(gòu)，數(shù)據(jù)倉庫各部分詳細介紹