通??絡爬?是捜索引擎抓取系統(Baidu、Google、Yahoo等)的重要組成部分。主要?的是將互聯?上的??下載到本地,形成?個互聯?內容的鏡像備份。<br/>
**通?搜索引擎(Search Engine)?作原理:**
通??絡爬? 從互聯?中搜集??,采集信息,這些??信息?于為搜索引擎 建?索引從?提供?持,它決定著整個引擎系統的內容是否豐富,信息是否即 時,因此其性能的優劣直接影響著搜索引擎的效果。<br/>
**第?步:抓取網頁**
搜索引擎?絡爬?的基本?作流程如下:
1. ?先選取?部分的種?URL,將這些URL放?待抓取URL隊列;
2. 取出待抓取URL,解析DNS得到主機的IP,并將URL對應的??下載下來, 存儲進已下載??庫中,并且將這些URL放進已抓取URL隊列。
3. 分析已抓取URL隊列中的URL,分析其中的其他URL,并且將URL放?待抓 取URL隊列,從?進?下?個循環....
:-: 
通用網絡爬蟲工作流程圖
搜索引擎如何獲取?個新?站的URL:
(1)新?站向搜索引擎主動提交?址:(如百度 http://zhanzhang.baidu.com/linksubmit/url)。
(2)在其他?站上設置新?站外鏈(盡可能處于搜索引擎爬?爬取范圍)。
(3)搜索引擎和DNS解析服務商(如DNSPod等)合作,新?站域名將被迅速抓取。<br/>
<mark>Robots協議:</mark>
Robots協議(也叫爬?協議、機器?協議等),全稱是?絡爬?排除標準(Robots Exclusion Protocol),?站通過Robots協議告訴搜索引擎哪些 ??可以抓取,哪些??不能抓取。
例如: 淘寶?:https://www.taobao.com/robots.txt
騰訊?: http://www.qq.com/robots.txt
Robots協議只是一種君子約定,從技術層面來講它不具備反爬蟲功能。<br/>
**第?步:數據存儲**
搜索引擎通過爬?爬取到的??,將數據存?原始??數據庫。其中的??數 據與?戶瀏覽器得到的HTML是完全?樣的。 <br/>
搜索引擎蜘蛛在抓取??時,也做?定的重復內容檢測,?旦遇到訪問權重很 低的?站上有?量抄襲、采集或者復制的內容,很可能就不再爬?。<br/>
**第三步:預處理**
搜索引擎將爬?抓取回來的??,進?各種步驟的預處理。
* 提取?字
* 中?分詞
* 消除噪?(?如版權聲明?字、導航條、?告等……)
* 索引處理
* 鏈接關系計算
* 特殊?件處理
**第四步:提供檢索服務,?站排名**
搜索引擎在對信息進?組織和處理后,為?戶提供關鍵字檢索服務,將?戶檢 索相關的信息展示給?戶。 <br/>
同時會根據??的PageRank值(鏈接的訪問量排名)來進??站排名,這樣 Rank值?的?站在搜索結果中會排名較前,當然也可以直接使? Money 購買 搜索引擎?站排名,簡單粗暴。

<br/>
- 爬蟲基本概念
- 爬蟲介紹
- 通用爬蟲與聚焦爬蟲
- 通用爬蟲
- 聚焦爬蟲
- HTTP與HTTPS協議
- HTTP協議簡介
- HTTP的請求與響應
- 客戶端HTTP請求
- 服務端HTTP響應
- requests庫
- requests庫簡介
- requests簡單使用
- 發送帶header的請求
- 發送帶參數的請求
- 案例:下載百度貼吧頁面
- 發送POST請求
- 使用代理
- 為什么要使用代理?
- 正反向代理
- 代理服務器分類
- 使用代理
- cookie和session
- cookie和session的區別
- 爬蟲處理cookie和session
- 使用session登錄網站
- 使用cookie登錄網站
- cookiejar
- 超時和重試
- verify參數忽略CA證書
- URL地址的解碼和編碼
- 數據處理
- json數據處理
- json數據處理方案
- json模塊處理json數據
- jsonpath處理json數據
- 正則表達式
- lxml
- xpath與lxml介紹
- xpathhelper插件
- 案例
- Beautiful Soup
- Beautiful Soup介紹
- 解析器
- CSS選擇器
- 案例
- 四大對象
- 爬蟲與反爬蟲
- 爬蟲與反爬蟲的斗爭
- 服務器反爬的原因
- 什么樣的爬蟲會被反爬
- 反爬領域常見概念
- 反爬的三個方向
- 基于身份識別進行反爬
- 基于爬蟲行為進行反爬
- 基于數據加密進行反爬
- js解析
- chrome瀏覽器使用
- 定位js
- 設置斷點
- js2py
- hashlib
- 有道翻譯案例
- 動態爬取HTML
- 動態HTML
- 獲取Ajax數據的方式
- selenium+driver
- driver定位
- 表單元素操作
- 行為鏈
- cookie操作
- 頁面等待
- 多窗口與頁面切換
- 配置對象
- 拉勾網案例
- 圖片驗證碼識別
- 圖形驗證碼識別技術簡介
- Tesseract
- pytesseract處理圖形驗證碼
- 打碼平臺
- 登錄打碼平臺
- 驗證碼種類
- 多任務-線程
- 繼承Thread創建線程
- 查看線程數量
- 資源共享
- 互斥鎖
- 死鎖
- 避免死鎖
- Queue線程
- 多線程爬蟲
- 多任務-進程
- 創建進程
- 進程池
- 進程間的通信
- Python GIL
- scrapy框架
- scrapy是什么?
- scrapy爬蟲流程
- 創建scrapy項目
- Selector選擇器
- logging
- scrapy shell
- 保存數據
- Item數據建模
- 翻頁請求
- Request
- CrawlSpider
- settings
- 模擬登錄
- 保存文件
- 內置Pipeline
- 自定義Pipeline
- 中間件
- selenium動態加載
- 防止反爬
- 隨機User-Agent
- 隨機IP代理
- settings中的參數
- 隨機延遲
- request.meta常用參數
- 分布式爬蟲
- 分布式原理
- scrapy_redis
- 去重問題
- 分布式爬蟲編寫流程
- CrawSpider改寫成分布式
- scrapy_splash
- scrapy_splash是什么?
- scrapy_splash環境搭建
- APP抓取
- Android模擬器
- appium
- appium是什么?
- appium環境搭建
- appium環境聯調測試
- appium的使用
- 演示項目-抓取抖音app
- 抖音app與appium的聯調測試
- 元素定位
- 抖音appium代碼
- 抓包軟件
- url去重處理