网络爬虫

“满面尘灰烟火色，两鬓苍苍十指黑。 

卖炭得钱何所营？身上衣裳口中食。

可怜身上衣正单，心忧炭贱愿天寒。

夜来城外一尺雪，晓驾炭车辗冰辙。

牛困人饥日已高，市南门外泥中歇。 

翩翩两骑来是谁？黄衣使者白衫儿。

手把文书口称敕，回车叱牛牵向北。

一车炭，千余斤，宫使驱将惜不得。

半匹红绡一丈绫，系向牛头充炭直。”

                    白居易《卖炭翁》

通用搜索引擎的处理对象是互联网网页，目前网页数量以百亿计，所以搜索引擎首先面临的问题就是：如何?能够设计出高效的下载系统，以将如此海量的网页数据传送到本地，在本地形成互联网网页的镜像备份。网络爬虫即起此作用，它是搜索引擎系统中很关键也很基础的构件。本章主要介绍与网络爬虫相关的技术，尽管爬虫技术经过几十年的发展，从整体框架上已相对成熟，但随着互联网的不断发展，也面临?着一些有挑战性的新问题。

1.1　通用爬虫框架

图1-1所示是一个通用的爬虫框架流程。首先从互联网页面中精心选择一部分网页，以这些网页的链接地址作为种子URL，将这些种子URL放入待抓取URL队列中，爬虫从待抓取URL队列依次读取，并将URL通过DNS解析，把链接地址转换为网站服务器对应的IP地址。然后将其和网页相对路径名称交给网页下载器，网页下载器负责页面内容的下载。对于下载到本地的网页，一方面将其存储到页面库中，等待建立索引等后续处理；另一方面将下载网页的URL放入已抓取URL队列中，这个队列记载了爬虫系统已经下载过的网页URL，以避免网页的重复抓取。对于刚下载的网页，从中抽取出所包含的所有链接信息，并在已抓取URL队列中检查，如果发现链接还没有被抓取过，则将这个URL放入待抓取URL队列末尾，在之后的抓取调度中会下载这个URL对应的网页。如此这般，形成循环，直到待抓取URL队列为空，这代表着爬虫系统已将能够抓取的网页尽数抓完，此时完成了一轮完整的抓取过程。

图1-1　通用爬虫框架

对于爬虫来说，往往还需要进行网页去重及网页反作弊，由于本书有专门章节讲解，所以未在此处列出，详情请参考相关章节。

上述是一个通用爬虫的整体流程，如果从更加宏观的角度考虑，处于动态抓取过程中的爬虫和互联网所有网页之间的关系，可以大致像如图1-2所示那样，将互联网页面划分为5个部分：

图1-2　互联网页面划分

·　已下载网页集合：爬虫已经从互联网下载到本地进行索引的网页集合。

·　已过期网页集合：由于网页数量巨大，爬虫完整抓取一轮需要较长时间，在抓取过程中，很多已经下载的网页可能过期。之所以如此，是因为互联网网页处于不断的动态变化过程中，所以易产生本地网页内容和真实互联网网页不一致的情况。

·　待下载网页集合：即处于图2-1中待抓取URL队列中的网页，这些网页即将被爬虫下载。

·　可知网页集合：这些网页还没有被爬虫下载，也没有出现在待抓取URL队列中，不过通过已经抓取的网页或者在待抓取URL队列中的网页，总是能够通过链接关系发现它们，稍晚时候会被爬虫抓取并索引。

·　不可知网页集合：有些网页对于爬虫来说是无法抓取到的，这部分网页构成了不可知网页集合。事实上，这部分网页所占的比例很高。

从理解爬虫的角度看，对互联网网页给出如上划分有助于深入理解搜索引擎爬虫所面临的主要任务和挑战。

图1-1所示是通用的爬虫框架流程，绝大多数爬虫系统遵循此流程，但是并非意味着所有爬虫都如此一致。根据具体应用的不同，爬虫系统在许多方面存在差异，大体而言，可以将爬虫划分为如下3种类型。

·　批量型爬虫（Batch Crawler）：批量型爬虫有比较明确的抓取范围和目标，当爬虫达到这个设定的目标后，即停止抓取过程。至于具体目标可能各异，也许是设定抓取一定数量的网页即可，也许是设定抓取消耗的时间等，不一而足。

·　增量型爬虫（Incremental Crawler）：增量型爬虫与批量型爬虫不同，会保持持续不断的抓取，对于抓取到的网页，要定期更新，因为互联网网页处于不断变化中，新增网页、网页被删除或者网页内容更改都很常见，而增量型爬虫需要及时反映这种变化，所以处于持续不断的抓取过程中，不是在抓取新网页，就是在更新已有网页。通用的商业搜索引擎爬虫基本都属此类。

·　垂直型爬虫（Focused Crawler）：垂直型爬虫关注特定主题内容或者属于特定行业的网页，比如对于健康网站来说，只需要从互联网页面里找到与健康相关的页面内容即可，其他行业的内容不在考虑范围。垂直型爬虫一个最大的特点和难点就是：如何识别网页内容是否属于指定行业或者主题。从节省系统资源的角度来说，不太可能把所有互联网页面下载下来之后再去筛选，这样浪费资源就太过分了，往往需要爬虫在抓取阶段就能够动态识别某个网址是否与主题相关，并尽量不去抓取无关页面，以达到节省资源的目的。垂直搜索网站或者垂直行业网站往往需要此种类型的爬虫。

本文主要讲述增量型爬虫，因为无论从处理的数据量上来讲，还是从所面临的技术难度来讲，这种类型的爬虫相对而言都要复杂一些，当然，其中很多技术对于其他两种类型的爬虫来说也是共通的。