网络爬虫，又被称为网页蜘蛛、网络机器人。在FOAF社区中，更经常地称为网页追逐者。在大数据爆炸的时代，网络爬虫是一种很好的自动采集数据的通用手段。今天就来聊一聊网络爬虫小知识。

爬虫是什么

网络爬虫是一种按照一定的规则，自动抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

网络爬虫通过爬取互联网上网站服务器的内容来工作。它是用计算机语言编写的程序或脚本，用于自动从Internet上获取信息或数据，扫描并抓取每个所需页面上的某些信息，直到处理完所有能正常打开的页面。

作为搜索引擎的重要组成部分，爬虫首要的功能就是爬取网页数据（如图2-1所示），目前市面流行的采集器软件都是运用网络爬虫的原理或功能。

爬虫的意义

现如今大数据时代已经到来，网络爬虫技术成为这个时代不可或缺的一部分，企业需要数据来分析用户行为、自己产品的不足之处以及竞争对手的信息等，而这一切的首要条件就是数据的采集。

网络爬虫的价值其实就是数据的价值，在互联网社会中，数据是无价之宝，一切皆为数据，谁拥有了大量有用的数据，谁就拥有了决策的主动权。网络爬虫的应用领域很多，如搜索引擎、数据采集、广告过滤、大数据分析等。

例如抓取各大电商网站的商品销量信息及用户评价来进行分析。

爬虫的原理

我们通常会将网络爬虫的组成模块分为初链接库、网络抓取模块、网页处理模块、网页分析模块、DNS模块、待抓取链接队列、网页库等，网络爬虫的各系模块可形成一个循坏体系，从而不断地进行分析和抓取。

爬虫的工作原理可以很简单地解释为先找到目标信息网，然后页面抓取模块，接着页面分析模块，最后数据存储模块。

爬虫工作基本流程：

1. 首先在互联网中选出一部分网页，以这些网页的链接地址作为种子URL；
2. 将这些种子URL放入待抓取的URL队列中，爬虫从待抓取的URL队列依次读取；
3. 将URL通过DNS解析；
4. 把链接地址转换为网站服务器对应的IP地址；
5. 网页下载器通过网站服务器对网页进行下载；
6. 下载的网页为网页文档形式；
7. 对网页文档中的URL进行抽取；
8. 过滤掉已经抓取的URL；
9. 对未进行抓取的URL继续循环抓取，直至待抓取URL队列为空。

爬虫技术的类型

• 聚焦网络爬虫是“面向特定主题需求”的一种爬虫程序，而通用网络爬虫则是捜索引擎抓取系统（Baidu、Google、Yahoo等）的重要组成部分，主要目的是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份。
• 增量抓取意即针对某个站点的数据进行抓取，当网站的新增数据或者该站点的数据发生变化后，自动地抓取它新增的或者变化后的数据。
• Web页面按存在方式可以分为表层网页（surface Web）和深层网页（deep Web，也称invisible Web pages或hidden Web）。
• 表层网页是指传统搜索引擎可以索引的页面，即以超链接可以到达的静态网页为主来构成的Web页面。
• 深层网页是那些大部分内容不能通过静态链接获取的、隐藏在搜索表单后的，只有用户提交一些关键词才能获得的Web页面。

文章部分素材来源：云技术