蜘蛛程序是什么東西（蜘蛛程序和機器人程序是什么）

原標題：蜘蛛程序是什么東西（蜘蛛程序和機器人程序是什么）

　　

蜘蛛程序是什么東西

　　什么是蜘蛛程序(spider)?

　　蜘蛛也稱為機器人，指的是搜索引擎運行的計算機程序，沿著頁面上的超鏈接發現和爬行更多頁面，抓取頁面內容，關入搜索引擎數據庫。

　　蜘蛛程序就是爬行程序，是搜索引擎的一部分，負責在互聯網上程序定位和收這樣能夠響應搜索者的請求，成功的搜索引擎營銷取決于爬的網頁。

　　什么是蜘蛛程序通道(spider paths)?

蜘蛛程序和機器人程序是什么

　　蜘蛛程序通道是用于站點導航的輕松通道，例如站點地圖，分類地圖，國家地圖，或者在關鍵網頁底部的文本鏈接，蜘蛛通道包括任何能使蜘蛛程序輕松找到你有網頁的方法。

　　什么是蜘蛛程序陷阱(spider trap)?

　　蜘蛛陷阱指的是由于網站結構的某種特征，使搜索引擎陷入無限循環，無法停止爬行，最典型的蜘蛛陷阱是某些頁面上的萬年歷，搜索引擎可以一直單擊下一個月陷入無限循環。

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

　　百度蜘蛛的運行原理是什么?

　　1、蜘蛛通過百度蜘蛛下載回來的網頁放到補充數據區，通過各種程序計算過后才放到檢索區，才會形成穩定的排名，所以說只要下載回來的東西都可以通過指令找到，補充數據是不穩定的，有可能在各種計算的過程中給k掉，檢索區的數據排名是相對比較穩定的，百度目 前是緩存機制和補充數據相結合的，正在向補充數據轉變，這也是目 前百度收錄困難的原因，也是很多站點今天給k了明天又放出來的原因。

　　2、深度優先和權重優先，百度蜘蛛抓頁面的時候從起始站點(即種子站點指的是一些門戶站點)是廣度優先抓取是為了抓取更多的網址，深度優先抓取的目的是為了抓取高質量的網頁，這個策略是由調度來計算和分配的，百度蜘蛛只負責抓取，權重優先是指反向連接較多的頁面的優先抓取，這也是調度的一種策略，一般情況下網頁抓取抓到40%是正常范圍，60%算很好，100%是不可能的，當然抓取的越多越好。

　　如何寫爬取鏈接的蜘蛛小程序?

　　1、打開并讀取目標網頁內容，可以使用urllib2、request等庫;

　　2、解析網頁內容，尋找外鏈的鏈接地址?？梢允褂胷e寫正則表達式來處理(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解析庫來處理;

　　3、從外鏈地址中提取網站名稱。這個應該用re就可以簡單解決了;

　　4、比較此次獲取的網站名稱、之前存儲的網站名稱。如果重復，則跳過;如果無重復，則保存此次獲取的網站名稱。

　　5、定時輸出保存搜索結果。不停循環上述過程，直到達到你的設計目標。

　　不過需要注意的是：

　　1、有一些網站不希望被爬蟲爬取，會留有robot.txt文件進行說明。爬蟲程序最好尊重別人設定的限制。

　　2、為了減小對目標網站的訪問負擔，建議不要在短時間內對某一個網站發起大量鏈接，可以用time.sleep()等機器人方式均衡負載。

　　以上只是最簡單的思路，根據實際任務情況的不同，可能會有很多需要擴展的地方，比如：東西

　　1、有一些網站要求用戶驗證，需要打開網頁時特別設置;

　　2、網站編碼問題，特別是正則表達式的編碼要和網頁編碼相一致(特別是re搜索中文的時候);

　　3、連接并打開網頁是否成功?不成功應當怎么處理?

　　4、有一些網頁內容可能是通過ajax動態加載的，這可能就需要額外的解決方案了(比如selenimum, phantomJS等等)。

　　5、有時為了提高抓取效率需要進行多線程擴充，這就涉及到Queue、multithreading等許多額外的庫了。