網路爬蟲是一個自動提取網頁的程序，它為搜索引擎從萬維網上下載網頁，是搜索引擎的重要組成。
傳統爬蟲從一個或若干初始網頁的URL開始，獲得初始網頁上的URL，在抓取網頁的過程中，不斷從當前頁面上抽取新的URL放入隊列，直到滿足系統的一定停止條件。對於垂直搜索來說，聚焦爬蟲，即有針對性地爬取特定主題網頁的爬蟲，更為適合。
以下是一個使用java實現的簡單爬蟲核心代碼：
public void crawl() throws Throwable {
while (continueCrawling()) {
CrawlerUrl url = getNextUrl(); //獲取待爬取隊列中的下一個URL
if (url != null) {
printCrawlInfo();
String content = getContent(url); //獲取URL的文本信息
//聚焦爬蟲只爬取與主題內容相關的網頁，這里採用正則匹配簡單處理
if (isContentRelevant(content, this.regexpSearchPattern)) {
saveContent(url, content); //保存網頁至本地
//獲取網頁內容中的鏈接，並放入待爬取隊列中
Collection urlStrings = extractUrls(content, url);
addUrlsToUrlQueue(url, urlStrings);
} else {
System.out.println(url + " is not relevant ignoring ...");
}
//延時防止被對方屏蔽
Thread.sleep(this.delayBetweenUrls);
}
}
closeOutputStream();
}
private CrawlerUrl getNextUrl() throws Throwable {
CrawlerUrl nextUrl = null;
while ((nextUrl == null) && (!urlQueue.isEmpty())) {
CrawlerUrl crawlerUrl = this.urlQueue.remove();
//doWeHavePermissionToVisit：是否有許可權訪問該URL，友好的爬蟲會根據網站提供的"Robot.txt"中配置的規則進行爬取
//isUrlAlreadyVisited：URL是否訪問過，大型的搜索引擎往往採用BloomFilter進行排重，這里簡單使用HashMap
//isDepthAcceptable：是否達到指定的深度上限。爬蟲一般採取廣度優先的方式。一些網站會構建爬蟲陷阱（自動生成一些無效鏈接使爬蟲陷入死循環），採用深度限制加以避免
if (doWeHavePermissionToVisit(crawlerUrl)
&& (!isUrlAlreadyVisited(crawlerUrl))
&& isDepthAcceptable(crawlerUrl)) {
nextUrl = crawlerUrl;
// System.out.println("Next url to be visited is " + nextUrl);
}
}
return nextUrl;
}
private String getContent(CrawlerUrl url) throws Throwable {
//HttpClient4.1的調用與之前的方式不同
HttpClient client = new DefaultHttpClient();
HttpGet httpGet = new HttpGet(url.getUrlString());
StringBuffer strBuf = new StringBuffer();
HttpResponse response = client.execute(httpGet);
if (HttpStatus.SC_OK == response.getStatusLine().getStatusCode()) {
HttpEntity entity = response.getEntity();
if (entity != null) {
BufferedReader reader = new BufferedReader(
new InputStreamReader(entity.getContent(), "UTF-8"));
String line = null;
if (entity.getContentLength() > 0) {
strBuf = new StringBuffer((int) entity.getContentLength());
while ((line = reader.readLine()) != null) {
strBuf.append(line);
}
}
}
if (entity != null) {
nsumeContent();
}
}
//將url標記為已訪問
markUrlAsVisited(url);
return strBuf.toString();
}
public static boolean isContentRelevant(String content,
Pattern regexpPattern) {
boolean retValue = false;
if (content != null) {
//是否符合正則表達式的條件
Matcher m = regexpPattern.matcher(content.toLowerCase());
retValue = m.find();
}
return retValue;
}
public List extractUrls(String text, CrawlerUrl crawlerUrl) {
Map urlMap = new HashMap();
extractHttpUrls(urlMap, text);
extractRelativeUrls(urlMap, text, crawlerUrl);
return new ArrayList(urlMap.keySet());
}
private void extractHttpUrls(Map urlMap, String text) {
Matcher m = (text);
while (m.find()) {
String url = m.group();
String[] terms = url.split("a href=\"");
for (String term : terms) {
// System.out.println("Term = " + term);
if (term.startsWith("http")) {
int index = term.indexOf("\"");
if (index > 0) {
term = term.substring(0, index);
}
urlMap.put(term, term);
System.out.println("Hyperlink: " + term);
}
}
}
}
private void extractRelativeUrls(Map urlMap, String text,
CrawlerUrl crawlerUrl) {
Matcher m = relativeRegexp.matcher(text);
URL textURL = crawlerUrl.getURL();
String host = textURL.getHost();
while (m.find()) {
String url = m.group();
String[] terms = url.split("a href=\"");
for (String term : terms) {
if (term.startsWith("/")) {
int index = term.indexOf("\"");
if (index > 0) {
term = term.substring(0, index);
}
String s = //" + host + term;
urlMap.put(s, s);
System.out.println("Relative url: " + s);
}
}
}
}
public static void main(String[] args) {
try {
String url = "";
Queue urlQueue = new LinkedList();
String regexp = "java";
urlQueue.add(new CrawlerUrl(url, 0));
NaiveCrawler crawler = new NaiveCrawler(urlQueue, 100, 5, 1000L,
regexp);
// boolean allowCrawl = crawler.areWeAllowedToVisit(url);
// System.out.println("Allowed to crawl: " + url + " " +
// allowCrawl);
crawler.crawl();
} catch (Throwable t) {
System.out.println(t.toString());
t.printStackTrace();
}
}
② 什麼叫爬蟲技術有什麼作用
爬蟲主要針對與網路網頁，又稱網路爬蟲、網路蜘蛛，可以自動化瀏覽網路中的信息，或者說是一種網路機器人。它們被廣泛用於互聯網搜索引擎或其他類似網站，以獲取或更新這些網站的內容和檢索方式。它們可以自動採集所有其能夠訪問到的頁面內容，以便程序做下一步的處理。
我們絕大多數人每天都使用網路 - 用於新聞，購物，社交以及您可以想像的任何類型的活動。但是，當從網路上獲取數據用於分析或研究目的時，則需要以更技術性的方式查看Web內容 - 將其拆分為由其組成的構建塊，然後將它們重新組合為結構化的，機器可讀數據集。通常文本Web內容轉換為數據分為以下三個基本步驟 ：
爬蟲：
Web爬蟲是一種自動訪問網頁的腳本或機器人，其作用是從網頁抓取原始數據 -最終用戶在屏幕上看到的各種元素（字元、圖片）。 其工作就像是在網頁上進行ctrl + a（全選內容），ctrl + c（復制內容），ctrl + v（粘貼內容）按鈕的機器人（當然實質上不是那麼簡單）。
通常情況下，爬蟲不會停留在一個網頁上，而是根據某些預定邏輯在停止之前抓取一系列網址 。 例如，它可能會跟蹤它找到的每個鏈接，然後抓取該網站。當然在這個過程中，需要優先考慮您抓取的網站數量，以及您可以投入到任務中的資源量（存儲，處理，帶寬等）。
解析：
解析意味著從數據集或文本塊中提取相關信息組件，以便以後可以容易地訪問它們並將其用於其他操作。要將網頁轉換為實際上對研究或分析有用的數據，我們需要以一種使數據易於根據定義的參數集進行搜索，分類和服務的方式進行解析。
存儲和檢索：
最後，在獲得所需的數據並將其分解為有用的組件之後，通過可擴展的方法來將所有提取和解析的數據存儲在資料庫或集群中，然後創建一個允許用戶可及時查找相關數據集或提取的功能。
1、網路數據採集
利用爬蟲自動採集互聯網中的信息（圖片、文字、鏈接等），採集回來後進行相應的儲存與處理。並按照一定的規則和篩選標准進行數據歸類形成資料庫文件的一個過程。但在這個過程中，首先需要明確要採集的信息是什麼，當你將採集的條件收集得足夠精確時，採集的內容就越接近你想要的。
2、大數據分析
大數據時代，要進行數據分析，首先要有數據源，通過爬蟲技術可以獲得等多的數據源。在進行大數據分析或者進行數據挖掘的時候，數據源可以從某些提供數據統計的網站獲得，也可以從某些文獻或內部資料中獲得，但從這些獲得數據的方式，有時很難滿足我們對數據的需求，此時就可以利用爬蟲技術，自動地從互聯網中獲取需要的數據內容，並將這些數據內容作為數據源，從而進行更深層次的數據分析。
3、網頁分析
通過對網頁數據進行爬蟲採集，在獲得網站訪問量、客戶著陸頁、網頁關鍵詞權重等基本數據的情況下，分析網頁數據，從中發現訪客訪問網站的規律和特點，並將這些規律與網路營銷策略等相結合，從而發現目前網路營銷活動和運營中可能存在的問題和機遇，並為進一步修正或重新制定策略提供依據。
③ 網路爬蟲的原理
搜索引擎使用網抄絡爬蟲尋找襲網路內容，網路上的HTML文檔使用超鏈接連接了起來，就像織成了一張網，網路爬蟲也叫網路蜘蛛，順著這張網爬行，每到一個網頁就用抓取程序將這個網頁抓下來，將內容抽取出來，同時抽取超鏈接，作為進一步爬行的線索。網路爬蟲總是要從某個起點開始爬，這個起點叫做種子，你可以告訴它，也可以到一些網址列表網站上獲取
網頁抓取/數據抽取/信息提取軟體工具包MetaSeeker是一套完整的解決方案，裡面有定題網路爬蟲，也叫聚焦網路爬蟲，這種爬蟲抓取下來一個頁面後並不抽取所有的超鏈接，而是只找主題相關的鏈接，籠統的說就是爬行的范圍是受控的。網路爬蟲實現代碼主要集中在MetaSeeker工具包中的DataScraper工具。可以從 http://www.gooseeker.com 下載下來看
④ python網路爬蟲可以幹啥
Python爬蟲開發工程師,從網站某一個頁面(通常是首頁)開始，讀取網頁的內容，找到在網頁中的其它鏈接地址，然後通過這些鏈接地址尋找下一個網頁，這樣一直循環下去，直到把這個網站所有的網頁都抓取完為止。如果把整個互聯網當成一個網站，那麼網路蜘蛛就可以用這個原理把互聯網上所有的網頁都抓取下來。
網路爬蟲(又被稱為網頁蜘蛛，網路機器人，在FOAF社區中間，更經常的稱為網頁追逐者)，是一種按照一定的規則，自動的抓取萬維網信息的程序或者腳本。另外一些不常使用的名字還有螞蟻，自動索引，模擬程序或者蠕蟲。爬蟲就是自動遍歷一個網站的網頁，並把內容都下載下來