什么是蜘蛛池？什么是蜘蛛池程序?

    程序，是搜索引擎的自动程序，用来爬取网页、图片和视频等内容，然后分门别类建立数据索引库，方便用户在搜索引擎中找到想获取的信息。今天给大家介绍蜘蛛程序、蜘蛛程序通道、蜘蛛程序陷阱等知识，我们一起来看看吧。

    什么是蜘蛛程序(spider)?

    蜘蛛也称为机器人，指的是搜索引擎运行的计算机程序，沿着页面上的超链接发现和爬行更多页面，抓取页面内容，关入搜索引擎数据库。

    蜘蛛程序就是爬行程序，是搜索引擎的一部分，负责在互联网上定位和收这样能够响应搜索者的请求，成功的搜索引擎营销取决于爬的网页。

    什么是蜘蛛程序通道(spiderpaths)?

    蜘蛛程序通道是用于站点导航的轻松通道，例如站点地图，分类地图，国家地图，或者在关键网页底部的文本链接，蜘蛛通道包括任何能使蜘蛛程序轻松找到你有网页的方法。

    什么是蜘蛛程序陷阱(spidertrap)?

    蜘蛛陷阱指的是由于网站结构的某种特征，使搜索引擎陷入无限循环，无法停止爬行，最典型的蜘蛛陷阱是某些页面上的万年历，搜索引擎可以一直单击下一个月陷入无限循环。

    蜘蛛程序陷阱是阻止蜘蛛程序爬些网页显示的技术方法，这些手段能很好地配合浏览器，但对蜘蛛程序就构成了阻碍，蜘蛛陷阱包括Javascript下拉菜单以及有些种类的重定向。

    百度蜘蛛的运行原理是什么?

    1、通过百度蜘蛛下载回来的网页放到补充数据区，通过各种程序计算过后才放到检索区，才会形成稳定的排名，所以说只要下载回来的东西都可以通过指令找到，补充数据是不稳定的，有可能在各种计算的过程中给k掉，检索区的数据排名是相对比较稳定的，百度目前是缓存机制和补充数据相结合的，正在向补充数据转变，这也是目前百度收录困难的原因，也是很多站点今天给k了明天又放出来的原因。

    2、深度优先和权重优先，百度蜘蛛抓页面的时候从起始站点(即种子站点指的是一些门户站点)是广度优先抓取是为了抓取更多的网址，深度优先抓取的目的是为了抓取高质量的网页，这个策略是由调度来计算和分配的，百度蜘蛛只负责抓取，权重优先是指反向连接较多的页面的优先抓取，这也是调度的一种策略，一般情况下网页抓取抓到40%是正常范围，60%算很好，100%是不可能的，当然抓取的越多越好。

    如何写爬取链接的蜘蛛小程序?

    1、打开并读取目标网页内容，可以使用urllib2、request等库;

    2、解析网页内容，寻找外链的链接地址。可以使用re写正则表达式来处理(类似于抓字段并提取其中的一部分)，也可以通过beautifulsoup等专门的html解析库来处理;

    3、从外链地址中提取网站名称。这个应该用re就可以简单解决了;

    4、比较此次获取的网站名称、之前存储的网站名称。如果重复，则跳过;如果无重复，则保存此次获取的网站名称。

    5、定时输出保存搜索结果。不停循环上述过程，直到达到你的设计目标。

    不过需要注意的是：

    1、有一些网站不希望被爬虫爬取，会留有robot.txt文件进行说明。爬虫程序最好尊重别人设定的限制。

    2、为了减小对目标网站的访问负担，建议不要在短时间内对某一个网站发起大量链接，可以用time.sleep()等方式均衡负载。

    以上只是最简单的思路，根据实际任务情况的不同，可能会有很多需要扩展的地方，比如：

    1、有一些网站要求用户验证，需要打开网页时特别设置;

    2、网站编码问题，特别是正则表达式的编码要和网页编码相一致(特别是re搜索中文的时候);

    3、连接并打开网页是否成功?不成功应当怎么处理?

    4、有一些网页内容可能是通过ajax动态加载的，这可能就需要额外的解决方案了(比如selenimum,phantomJS等等)。

    5、有时为了提高抓取效率需要进行多线程扩充，这就涉及到Queue、multithreading等许多额外的库了。

来源：闫宝龙博客（微信/QQ号：18097696），转载请保留出处和链接！

本文链接：http://www.yanbaolong.com/post/238.html