網(wǎng)絡(luò)爬蟲原理：聚焦爬蟲的工作原理和過程

聚焦網(wǎng)絡(luò)爬蟲面向有特殊需求的人群，它會根據(jù)預(yù)先設(shè)定的主題順著某個垂直領(lǐng)域進行抓取，而不是漫無目的地隨意抓取。與通用網(wǎng)絡(luò)爬蟲相比，聚焦網(wǎng)絡(luò)爬蟲會根據(jù)一定的網(wǎng)頁分析算法對網(wǎng)頁進行篩選，保留與主題有關(guān)的網(wǎng)頁鏈接，舍棄與主題無關(guān)的網(wǎng)頁鏈接。其目的性更強。聚焦網(wǎng)絡(luò)爬蟲的工作原理如圖1所示。

關(guān)于圖1中各環(huán)節(jié)的介紹如下。

(1)根據(jù)需求確定聚焦網(wǎng)絡(luò)爬蟲的采集目標，以及進行相關(guān)的描述。

(2)獲取初始URL。

(3)根據(jù)初始URL抓取對應(yīng)的網(wǎng)頁，并獲得新LRL。

(4)從新URL中過濾掉與采集目標無關(guān)的URL。因為聚焦網(wǎng)絡(luò)爬蟲對網(wǎng)頁的采集有著明確的目標，所以與目標無關(guān)的URL都會被過濾掉。

(5)將過濾后的URL放入URL隊列。

(6)根據(jù)一定的抓取策略，從URL隊列中確定URL優(yōu)先級，并確定下一步要抓取的URL。

圖1 聚焦網(wǎng)絡(luò)爬蟲的工作原理

(7)從下一步要抓取的URL中讀取新URL，以準備根據(jù)新URL抓取下一個網(wǎng)頁。

(8)若聚焦網(wǎng)絡(luò)爬蟲滿足設(shè)置的停止條件，或沒有可獲取的URL時，停止采集;若網(wǎng)絡(luò)爬蟲沒有滿足設(shè)置的停條件，則繼續(xù)根據(jù)新URL抓取對應(yīng)的網(wǎng)頁，并重復(fù)步驟(3)~步驟(8)。

綜上所述，聚焦網(wǎng)絡(luò)爬蟲的工作原理較為復(fù)雜。除了做通用網(wǎng)絡(luò)爬蟲的任務(wù)之外，聚焦網(wǎng)絡(luò)爬蟲還需要多做3個任務(wù)，包括確定采集目標、過濾與采集目標無關(guān)的URL，以及確定下一步要抓取的URL。