網(wǎng)絡(luò)爬蟲原理

網(wǎng)絡(luò)爬蟲指按照一定的規(guī)則（模擬人工登錄網(wǎng)頁(yè)的方式），自動(dòng)抓取網(wǎng)絡(luò)上的程序。簡(jiǎn)單的說，就是講你上網(wǎng)所看到頁(yè)面上的內(nèi)容獲取下來，并進(jìn)行存儲(chǔ)。網(wǎng)絡(luò)爬蟲的爬行策略分為深度優(yōu)先和廣度優(yōu)先。如下圖是深度優(yōu)先的一種遍歷方式是A到B到D到E到C到F（ABDECF）而寬度優(yōu)先的遍歷方式ABCDEF。

網(wǎng)絡(luò)爬蟲實(shí)現(xiàn)原理

1、獲取初始URL。初始URL地址可以有用戶人為指定，也可以由用戶指定的某個(gè)或某幾個(gè)初始爬取網(wǎng)頁(yè)決定。

2、根據(jù)初始的URL爬取頁(yè)面并獲得新的URL。獲得初始的URL地址之后，首先需要爬取對(duì)應(yīng)URL地址中的網(wǎng)頁(yè)，爬取了對(duì)應(yīng)的URL地址中的網(wǎng)頁(yè)后，將網(wǎng)頁(yè)存儲(chǔ)到原始數(shù)據(jù)庫(kù)中，并且在爬取網(wǎng)頁(yè)的同時(shí)，發(fā)現(xiàn)新的URL地址，同時(shí)將已爬取的URL地址存放到一個(gè)URL列表中，用于去重及判斷爬取的進(jìn)程。

3、將新的URL放到URL隊(duì)列中，在第二步中，獲取下一個(gè)新的URL地址之后，會(huì)將新的URL地址放到URL隊(duì)列中。

4、從URL隊(duì)列中讀取新的URL，并依據(jù)新的URL爬取網(wǎng)頁(yè)，同時(shí)從新的網(wǎng)頁(yè)中獲取新的URL并重復(fù)上述的爬取過程。

5、滿足爬蟲系統(tǒng)設(shè)置的停止條件時(shí)，停止爬取。在編寫爬蟲的時(shí)候，一般會(huì)設(shè)置相應(yīng)的停止條件。如果沒有設(shè)置停止條件，爬蟲會(huì)一直爬取下去，一直到無法獲取新的URL地址為止，若設(shè)置了停止條件，爬蟲則會(huì)在停止條件滿足時(shí)停止爬取。