没有爬虫，就没有今天的搜索引擎

在如今信息化、数字化的时代，人们已经离不开网络搜索了，但细想一下，你在搜索过程中能够真正获得相关信息，是因为有人在帮你把与之相关的内容筛选和呈递到你面前了。

就像在饭店里，你点了土豆并且能吃到，是因为有人帮你在土豆、萝卜、西红柿等中找到土豆，也有人把土豆拿到你桌上。在网络上，这两个动作都是由一位叫做爬虫的同学帮你实现的。

也就是说，没有爬虫，就没有今天的检索，你就不能精确地查找信息、有效地获取数据。今天DataHunter数猎哥就来说说爬虫在数据分析领域的应用，以及它是如何帮助我们提升数据分析质量的。

一、数据化时代，爬虫的本质是提升效率

网络爬虫也叫网络机器人，可以代替人们自动化浏览网络中的信息，进行数据的采集与整理。

它是一种程序，基本原理是向网站/网络发起请求，获取资源后分析并提取有用数据。从技术层面来说，就是通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据(图片、视频) 爬到本地，进而提取自己需要的数据，并存放起来使用。

每一个程序都有自己的规则，网络爬虫也不例外。它穿梭于全球各个网站中间，会根据人们施加的规则去采集信息，我们称这些规则为网络爬虫算法。规则是人定的，是人根据自己的目的与需求设计的，因此，根据使用者的目的，爬虫可以有不同的功能。但所有爬虫的本质，都是方便人们在海量的互联网信息中找到并下载到自己要的那一类，提升信息获取效率。

二、爬虫的应用：搜索与帮助企业强化业务

1.搜索引擎：爬站点，为网络用户提供便利

在网络发展伊始，全球范围内能提供信息的网站数量不多，用户也不多。互联网只是文件传输协议(FTP)站点的集合，用户可以在这些站点中导航以找到特定的共享文件，而为了查找和组合互联网上可用的分布式数据，人们创建了一个自动化程序，称为网络爬虫/机器人，可以抓取网上的所有网页，然后将所有页面上的内容复制到数据库中制作索引。这也是最早期的搜索引擎。

如今随着互联网的高速发展，我们能够在任何一个搜索引擎中看到来自全球各个网站的信息。百度搜索引擎的爬虫叫做百度蜘蛛(Baiduspider)，360的爬虫叫360Spider，搜狗的爬虫叫Sogouspider，必应的爬虫叫Bingbot。搜索引擎离不开爬虫。

比如百度蜘蛛每天会在海量的互联网信息中进行爬取，爬取优质信息并收录。当用户在百度搜索引擎上检索对应关键词时，百度将对关键词进行分析处理，从收录的网页中找出相关网页，按照一定的排名规则进行排序并将结果展现给用户，工作原理如图所示。现在，我们可以大胆地说，你每天都在免费享受爬虫的福利。

2.企业：监控舆情，高效获取有价值信息

我们说过，爬虫的本质是提升效率，爬虫的规则是人定的;那么企业就完全可以根据自己的业务需求去设计一个爬虫，第一时间得到网络上与其相关信息，并且进行清洗和整合。

大数据时代要进行数据分析，首先要有数据源，而网络爬虫可以让我们获取更多数据源的同时，按照我们的目的进行采集，从而去掉很多无关数据。

比如在进行大数据分析或数据挖掘时，数据源可以从某些提供数据统计的网站获取，也可以从某些文献或内部资料中获得。但是这些获得数据的方式，有时很难满足我们对数据的需求。此时，就可以利用爬虫技术，自动地从互联网中获取更多我们感兴趣的的数据内容，从而进行更深层次的数据分析，并获得更多有价值的信息。

除此以外，网络爬虫还可以应用于金融分析中对金融数据进行采集，用以进行投资分析;应用于舆情监测与分析、目标客户精准营销等各个领域。

三、4种企业常用的网络爬虫

网络爬虫按照实现的技术和结构可以分为通用网络爬虫、聚焦网络爬虫、增量式网络爬虫、深层网络爬虫等类型。但实际的网络爬虫由于复杂的网络环境，通常是这几类爬虫的组合体。

1.通用网络爬虫

通用网络爬虫又叫作全网爬虫，顾名思义，爬取的目标资源在全互联网中，所爬取的目标数据是巨大的，并且爬行的范围也是非常大的。正是由于其爬取的数据是海量数据，所以对于这类爬虫来说，其爬取的性能要求是非常高的。这种网络爬虫主要应用于大型搜索引擎中，有非常高的应用价值。

通用网络爬虫主要由初始URL集合、URL队列、页面爬行模块、页面分析模块、页面数据库、链接过滤模块等构成。通用网络爬虫在爬行的时候会采取一定的爬行策略，主要有深度优先爬行策略和广度优先爬行策略，具体详情在后文中会有介绍。

2.聚焦网络爬虫

聚焦网络爬虫也叫主题网络爬虫，是按照预先定义好的主题有选择地进行网页爬取的一种爬虫。聚焦网络爬虫主要应用在对特定信息的爬取中，主要为某一类特定的人群提供服务。

聚焦网络爬虫同样由初始URL集合、URL队列、页面爬行模块、页面分析模块、页面数据库、链接过滤模块、内容评价模块、链接评价模块等构成。其中的内容评价模块和链接评价模块可以根据链接和内容的重要性，确定哪些页面优先访问。聚焦网络爬虫的爬行策略主要有4种，如图所示：

聚焦网络爬虫由于可以按对应的主题有目的地进行爬取，所以在实际的运用过程中可以节省大量的服务器资源和宽带资源，因而具有很强的实用性。这里我们以聚焦网络爬虫为例来了解爬虫运行的工作原理和流程。

如图所示，聚焦网络爬虫拥有一个控制中心，该控制中心负责对整个爬虫系统进行管理和监控，主要包括控制用户交互、初始化爬行器、确定主题、协调各模块之间的工作、控制爬行过程等方面：

(1)控制中心将初始的URL集合传递给URL队列，页面爬行模块会从URL队列中读取第一批URL列表;

(2)根据这些URL地址从互联网中进行相应的页面爬取;爬取后，将爬取到的内容传到页面数据库中存储;

(3)在爬行过程中，会爬取到一些新的URL，此时，需要根据所定的主题使用链接过滤模块过滤掉无关链接，再将剩下来的URL链接根据主题使用链接评价模块或内容评价模块进行优先级的排序。完成后，将新的URL地址传递到URL队列中，供页面爬行模块使用;

(4)将页面爬取并存放到页面数据库后，需要根据主题使用页面分析模块对爬取到的页面进行页面分析处理，并根据处理结果建立索引数据库，用户检索对应信息时，可以从索引数据库中进行相应的检索，并得到对应的结果。

3.增量式网络爬虫

这里的“增量式”对应着增量式更新，增量式更新指的是在更新的时候只更新改变的地方，而未改变的地方则不更新。

增量式网络爬虫，在爬取网页的时候，只爬取内容发生变化的网页或者新产生的网页，对于未发生内容变化的网页，则不会爬取。增量式网络爬虫在一定程度上能够保证所爬取的页面，尽可能是新页面。

4.深层网络爬虫

在互联网中，网页按存在方式分类可分为表层页面和深层页面。表层页面指的是不需要提交表单，使用静态的链接就能够到达的静态页面;而深层页面是需要提交一定的关键词之后才能够获取得到的页面。而在互联网中，深层页面的数量往往比表层页面的数量要多很多。

深层网络爬虫可以爬取互联网中的深层页面，爬取深层页面，需要想办法自动填写好对应表单。深层网络爬虫主要由URL列表、LVS列表(LVS指的是标签/数值集合，即填充表单的数据源)、爬行控制器、解析器、LVS控制器、表单分析器、表单处理器、响应分析器等部分构成。

四、网络爬虫的爬取策略

在前面我们说过网络爬虫算法是根据人们施加的规则去采集信息，而由于网络复杂的环境，所以相应的也有各种不同算法，也就是爬取策略。这里我们主要介绍下爬取的顺序与频率。

1.爬取顺序

在网络爬虫爬取的过程中，在带爬取的URL列表中可能有很多URL地址，那么爬虫爬取这些URL地址就会有先后顺序。

相对于通用网络爬虫，爬取的顺序并不是那么重要。但聚焦网络爬虫，爬取的顺序与服务器资源和宽带资源有关，所以非常重要，一般由爬行策略决定。爬行策略主要有深度优先爬行策略、广度优先爬行策略、大站优先策略、反链策略、其他爬行策略等。

如图所示，假设有一个网站，ABCDEFG分别为站点下的网页，如图所示表示网页的层次结构。假如此时网页ABCDEFG都在爬行队列中，那么按照不同的爬行策略，其爬取的顺序是不同的。

深度优先爬行策略：A→D→E→B→C→F→G

广度优先爬行策略：A→B→C→D→E→F→G

除了以上两种爬行策略之外，还可以采用大站爬行策略。可以按对应网页所属的站点进行归类，如果某个网站的网页数量多，则将其称为大站，按照这种策略，网页数量越多的网站越大，然后，优先爬取大站中的网页URL地址。

另外还有反链策略，一个网页的反向链接数，指的是该网页被其他网页指向的次数，这个次数在一定程度上代表着该网页被其他网页的推荐次数。所以，如果按反链策略去爬行的话，那么哪个网页的反链数量越多，则哪个网页将被优先爬取。

但是在实际情况中，如果单纯按反链策略去决定一个网页的优先程度的话，那么可能会出现大量的作弊情况。所以采用反向链接策略需要考虑可靠的反链数。除了以上这些爬行策略，在实际中还有很多其他的爬行策略，比如OPIC策略、Partial PageRank策略等。

2.爬取频率

一个网站的网页是经常更新的，作为爬虫方，网站的更新频率与爬虫访问网站的频率越接近，则效果越好。当然，在爬虫服务器资源有限的情况下，爬虫也需要根据对应策略，让不同的网页具有不同的更新优先级，优先级高的网页更新，将获得较快的爬取响应。常见的网页更新策略主要有如下3种：

(1)用户体验策略：大部分用户在使用搜索引擎查询某个关键词的时候，只会关注排名靠前的网页，所以，在爬虫服务器资源有限的情况下，爬虫会优先更新排名结果靠前的网页。

(2)历史数据策略：指的是可以依据某一个网页的历史更新数据，通过泊松过程进行建模等手段，预测该网页下一次更新的时间，从而确定下一次对该网页爬取的时间。

(3)聚类分析策略：网页可能具有不同的内容，但是一般来说，具有类似属性的网页其更新频率类似，所以可以对海量的网页进行聚类分析，聚类完成后，可以依据同一个类型网页平均更新值来设定爬取的频率。

五、网络爬虫的实现技术

对于实现技术，本文不做展开，仅为有兴趣的同学提供几个常见的语言：Python、Java、PHP、Node.JS、C++、Go语言(此外，网络爬虫的开发语言还有很多)。

Python：爬虫框架非常丰富，并且多线程的处理能力较强，并且简单易学、代码简洁，优点很多。

Java：适合开发大型爬虫项目。

PHP：后端处理很强，代码很简洁，模块也较丰富，但是并发能力相对来说较弱。

Node.JS：支持高并发与多线程处理。

C++：运行速度快，适合开发大型爬虫项目，成本较高。

Go语言：同样高并发能力非常强。

六、小结

说到爬虫，很多人都认为它是网络世界中一个不可而为之的灰色地带。恭喜你，读完这篇文章，你对此的认知就超过了好多人。

因为爬虫分为善意爬虫和恶意爬虫，例如，搜索引擎的爬虫。善意爬虫严格遵守Robots协议规范爬取网页数据(如URL)，它的存在能够增加网站的曝光度，给网站带来流量;

而恶意爬虫，它无视Robots协议，对网站中某些深层次的、不愿意公开的数据肆意爬取，其中不乏个人隐私或者商业秘密等重要信息。并且恶意爬虫的使用方希望从网站多次、大量的获取信息，所以其通常会向目标网站投放大量的爬虫。如果大量的爬虫在同一时间对网站进行访问，很容易导致网站服务器过载或崩溃，造成网站经营者的损失。

据统计，我国2017年互联网流量有42.2%是由网络机器人创造的，其中恶意机器(主要为恶意爬虫)流量占到了21.80%。我们应该依法合理地使用网络爬虫，这样才能运用技术为企业带来长久发展，用科学为社会创造更高价值。