一、通用爬蟲

通用網絡爬蟲是搜索引擎抓取系統(Baidu、Google、Sogou等)的一個重要組成部分。主要目的是將互聯網上的網頁下載到本地，形成一個互聯網內容的鏡像備份。為搜索引擎提供搜索支持。

第一步

搜索引擎去成千上萬個網站抓取數據。

第二步

搜索引擎通過爬蟲爬取到的網頁，將數據存入原始頁面數據庫(也就是文檔庫)。其中的頁面數據與用戶瀏覽器得到的HTML是完全—樣的。

第三步

搜索引擎將爬蟲抓取回來的頁面，進行各種步驟的預處理:中文分詞，消除噪音，索引處理。。。
搜索引擎在對信息進行組織和處理后，為用戶提供關鍵字檢索服務，將用戶檢索相關的信息展示給用戶。展示的時候會進行排名。

二、搜索引擎的局限性

• 搜索引擎抓取的是整個網頁，不是具體詳細的信息。
• 搜索引擎無法提供針對具體某個客戶需求的搜索結果。

聚焦爬蟲

針對通用爬蟲的這些情況，聚焦爬蟲技術得以廣泛使用。聚焦爬蟲，是"面向特定主題需求"的一種網絡爬蟲程序，它與通用搜索引擎爬蟲的區別在于：聚焦爬蟲在實施網頁抓取時會對內容進行處理篩選，盡量保證只抓取與需求相關的網頁數據。

三、Robots協議

robots是網站跟爬蟲間的協議，用簡單直接的txt格式文本方式告訴對應的爬蟲被允許的權限，也就是說robots.txt是搜索引擎中訪問網站的時候要查看的第一個文件。當一個搜索蜘蛛訪問一個站點時，它會首先檢查該站點根目錄下是否存在robots.txt，如果存在，搜索機器人就會按照該文件中的內容來確定訪問的范圍;如果該文件不存在，所有的搜索蜘蛛將能夠訪問網站上所有沒有被口令保護的頁面?！俣劝倏?/p>

Robots協議也叫爬蟲協議、機器人協議等，全稱是“網絡爬蟲排除標準”(Robots ExclusionProtocol)，網站通過Robots協議告訴搜索引擎哪些頁面可以抓取，哪些頁面不能抓取，例如:

淘寶: https://www.taobao.com/robots.txt
百度: https://www.baidu.com/robots.txt

四、請求與相應

網絡通信由兩部分組成:客戶端請求消息與服務器響應消息

瀏覽器發送HTTP請求的過程：

1.當我們在瀏覽器輸入URL https://www.baidu.com的時候，瀏覽器發送一個Request請求去
獲取 https://www.baidu.com 的html文件，服務器把Response文件對象發送回給瀏覽器。

2.瀏覽器分析Response中的HTML，發現其中引用了很多其他文件，比如Images文件，CSS文件，JS文件。瀏覽器會自動再次發送Request去獲取圖片，CSS文件，或者JS文件。

3.當所有的文件都下載成功后，網頁會根據HTML語法結構，完整的顯示出來了。

實際上我們通過學習爬蟲技術爬取數據，也是向服務器請求數據,獲取服務器響應數據的過程。

到此這篇關于Python爬蟲基礎之爬蟲的分類知識總結的文章就介紹到這了,更多相關Python爬蟲的分類內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！