• 聚焦網絡爬蟲是“面向特定主題需求”的一種爬蟲程序，而通用網絡爬蟲則是捜索引擎抓取系統(tǒng)（Baidu、Google、Yahoo等）的重要組成部分，主要目的是將互聯(lián)網上的網頁下載到本地，形成一個互聯(lián)網內容的鏡像備份。

• 增量抓取意即針對某個站點的數據進行抓取，當網站的新增數據或者該站點的數據發(fā)生變化后，自動地抓取它新增的或者變化后的數據。

• Web頁面按存在方式可以分為表層網頁（surface Web）和深層網頁（deep Web，也稱invisible Web pages或hidden Web）。

• 表層網頁是指傳統(tǒng)搜索引擎可以索引的頁面，即以超鏈接可以到達的靜態(tài)網頁為主來構成的Web頁面。

• 深層網頁是那些大部分內容不能通過靜態(tài)鏈接獲取的、隱藏在搜索表單后的，只有用戶提交一些關鍵詞才能獲得的Web頁面。

01 聚焦爬蟲技術

聚焦網絡爬蟲（focused crawler）也就是主題網絡爬蟲。聚焦爬蟲技術增加了鏈接評價和內容評價模塊，其爬行策略實現要點就是評價頁面內容以及鏈接的重要性。

基于鏈接評價的爬行策略，主要是以Web頁面作為半結構化文檔，其中擁有很多結構信息可用于評價鏈接重要性。還有一個是利用Web結構來評價鏈接價值的方法，也就是HITS法，其通過計算每個訪問頁面的Authority權重和Hub權重來決定鏈接訪問順序。

而基于內容評價的爬行策略，主要是將與文本相似的計算法加以應用，提出Fish-Search算法，把用戶輸入查詢詞當作主題，在算法的進一步改進下，通過Shark-Search算法就能利用空間向量模型來計算頁面和主題相關度大小。

面向主題爬蟲，面向需求爬蟲：會針對某種特定的內容去爬取信息，而且會保證信息和需求盡可能相關。一個簡單的聚焦爬蟲使用方法的示例如下所示。

• 【例1】一個簡單的爬取圖片的聚焦爬蟲

import?urllib.request#?爬蟲專用的包urllib，不同版本的Python需要下載不同的爬蟲專用包
import?re#?正則用來規(guī)律爬取
keyname=""#?想要爬取的內容
key=urllib.request.quote(keyname)#?需要將你輸入的keyname解碼，從而讓計算機讀懂
for?i?in?range(0,5):???#?(0,5)數字可以自己設置，是淘寶某產品的頁數url="https://s.taobao.com/search?q="+key+"&imgfile=&js=1&stats_click=search_radio_all%3A1&initiative_id=staobaoz_20180815&ie=utf8&bcoffset=0&ntoffset=6&p4ppushleft=1%2C48&s="+str(i*44)
#?url后面加上你想爬取的網站名，然后你需要多開幾個類似的網站以找到其規(guī)則
#?data是你爬取到的網站所有的內容要解碼要讀取內容pat='"pic_url":"//(.*?)"'
#?pat使用正則表達式從網頁爬取圖片
#?將你爬取到的內容放在一個列表里面print(picturelist)#?可以不打印，也可以打印下來看看for?j?in?range(0,len(picturelist)):picture=picturelist[j]pictureurl="http://"+picture#?將列表里的內容遍歷出來，并加上http://轉到高清圖片file="E:/pycharm/vscode文件/圖片/"+str(i)+str(j)+".jpg"#?再把圖片逐張編號，不然重復的名字將會被覆蓋掉urllib.request.urlretrieve(pictureurl,filename=file)#?最后保存到文件夾

02 通用爬蟲技術

通用爬蟲技術（general purpose Web crawler）也就是全網爬蟲。其實現過程如下。

• 第一，獲取初始URL。初始URL地址可以由用戶人為指定，也可以由用戶指定的某個或某幾個初始爬取網頁決定。

• 第二，根據初始的URL爬取頁面并獲得新的URL。獲得初始的URL地址之后，需要先爬取對應URL地址中的網頁，接著將網頁存儲到原始數據庫中，并且在爬取網頁的同時，發(fā)現新的URL地址，并且將已爬取的URL地址存放到一個URL列表中，用于去重及判斷爬取的進程。

• 第三，將新的URL放到URL隊列中，在于第二步內獲取下一個新的URL地址之后，會將新的URL地址放到URL隊列中。

• 第四，從URL隊列中讀取新的URL，并依據新的URL爬取網頁，同時從新的網頁中獲取新的URL并重復上述的爬取過程。

• 第五，滿足爬蟲系統(tǒng)設置的停止條件時，停止爬取。在編寫爬蟲的時候，一般會設置相應的停止條件。如果沒有設置停止條件，爬蟲便會一直爬取下去，一直到無法獲取新的URL地址為止，若設置了停止條件，爬蟲則會在停止條件滿足時停止爬取。詳情請參見圖2-5中的右下子圖。

通用爬蟲技術的應用有著不同的爬取策略，其中的廣度優(yōu)先策略以及深度優(yōu)先策略都是比較關鍵的，如深度優(yōu)先策略的實施是依照深度從低到高的順序來訪問下一級網頁鏈接。

關于通用爬蟲使用方法的示例如下。

• 【例2】爬取京東商品信息

'''
爬取京東商品信息：請求url：https://www.jd.com/提取商品信息：1.商品詳情頁2.商品名稱3.商品價格4.評價人數5.商品商家
'''
from?selenium?import?webdriver????#?引入selenium中的webdriver
from?selenium.webdriver.common.keys?import?Keys
import?timedef?get_good(driver):try:#?通過JS控制滾輪滑動獲取所有商品信息js_code?=?'''window.scrollTo(0,5000);'''driver.execute_script(js_code)??#?執(zhí)行js代碼#?等待數據加載time.sleep(2)#?查找所有商品div#?good_div?=?driver.find_element_by_id('J_goodsList')good_list?=?driver.find_elements_by_class_name('gl-item')n?=?1for?good?in?good_list:#?根據屬性選擇器查找#?商品鏈接good_url?=?good.find_element_by_css_selector('.p-img?a').get_attribute('href')#?商品名稱good_name?=?good.find_element_by_css_selector('.p-name?em').text.replace("\n",?"--")#?商品價格good_price?=?good.find_element_by_class_name('p-price').text.replace("\n",?":")#?評價人數good_commit?=?good.find_element_by_class_name('p-commit').text.replace("\n",?"?")good_content?=?f'''商品鏈接:?{good_url}商品名稱:?{good_name}商品價格:?{good_price}評價人數:?{good_commit}\n'''print(good_content)with?open('jd.txt',?'a',?encoding='utf-8')?as?f:f.write(good_content)next_tag?=?driver.find_element_by_class_name('pn-next')next_tag.click()time.sleep(2)#?遞歸調用函數get_good(driver)time.sleep(10)finally:driver.close()if?__name__?==?'__main__':good_name?=?input('請輸入爬取商品信息:').strip()driver?=?webdriver.Chrome()driver.implicitly_wait(10)#?往京東主頁發(fā)送請求driver.get('https://www.jd.com/')#?輸入商品名稱，并回車搜索input_tag?=?driver.find_element_by_id('key')input_tag.send_keys(good_name)input_tag.send_keys(Keys.ENTER)time.sleep(2)get_good(driver)

03 增量爬蟲技術

某些網站會定時在原有網頁數據的基礎上更新一批數據。例如某電影網站會實時更新一批最近熱門的電影，小說網站會根據作者創(chuàng)作的進度實時更新最新的章節(jié)數據等。在遇到類似的場景時，我們便可以采用增量式爬蟲。

增量爬蟲技術（incremental Web crawler）就是通過爬蟲程序監(jiān)測某網站數據更新的情況，以便可以爬取到該網站更新后的新數據。

關于如何進行增量式的爬取工作，以下給出三種檢測重復數據的思路：

1. 在發(fā)送請求之前判斷這個URL是否曾爬取過；

2. 在解析內容后判斷這部分內容是否曾爬取過；

3. 寫入存儲介質時判斷內容是否已存在于介質中。

• 第一種思路適合不斷有新頁面出現的網站，比如小說的新章節(jié)、每天的實時新聞等；

• 第二種思路則適合頁面內容會定時更新的網站；

• 第三種思路則相當于最后一道防線。這樣做可以最大限度地達到去重的目的。

不難發(fā)現，實現增量爬取的核心是去重。目前存在兩種去重方法。

• 第一，對爬取過程中產生的URL進行存儲，存儲在Redis的set中。當下次進行數據爬取時，首先在存儲URL的set中對即將發(fā)起的請求所對應的URL進行判斷，如果存在則不進行請求，否則才進行請求。

• 第二，對爬取到的網頁內容進行唯一標識的制定（數據指紋），然后將該唯一標識存儲至Redis的set中。當下次爬取到網頁數據的時候，在進行持久化存儲之前，可以先判斷該數據的唯一標識在Redis的set中是否存在，從而決定是否進行持久化存儲。

關于增量爬蟲的使用方法示例如下所示。

• 【例3】爬取4567tv網站中所有的電影詳情數據

import?scrapy
from?scrapy.linkextractors?import?LinkExtractor
from?scrapy.spiders?import?CrawlSpider,?Rule
from?redis?import?Redis
from?incrementPro.items?import?IncrementproItem
class?MovieSpider(CrawlSpider):name?=?'movie'#?allowed_domains?=?['www.xxx.com']start_urls?=?['http://www.4567tv.tv/frim/index7-11.html']rules?=?(Rule(LinkExtractor(allow=r'/frim/index7-\d+\.html'),?callback='parse_item',?follow=True),)#?創(chuàng)建Redis鏈接對象conn?=?Redis(host='127.0.0.1',?port=6379)def?parse_item(self,?response):li_list?=?response.xpath('//li[@class="p1?m1"]')for?li?in?li_list:#?獲取詳情頁的urldetail_url?=?'http://www.4567tv.tv'?+?li.xpath('./a/@href').extract_first()#?將詳情頁的url存入Redis的set中ex?=?self.conn.sadd('urls',?detail_url)if?ex?==?1:print('該url沒有被爬取過，可以進行數據的爬取')yield?scrapy.Request(url=detail_url,?callback=self.parst_detail)else:print('數據還沒有更新，暫無新數據可爬取！')#?解析詳情頁中的電影名稱和類型，進行持久化存儲def?parst_detail(self,?response):item?=?IncrementproItem()item['name']?=?response.xpath('//dt[@class="name"]/text()').extract_first()item['kind']?=?response.xpath('//div[@class="ct-c"]/dl/dt[4]//text()').extract()item['kind']?=?''.join(item['kind'])yield?it

管道文件：

from?redis?import?Redis
class?IncrementproPipeline(object):conn?=?Nonedef?open_spider(self,spider):self.conn?=?Redis(host='127.0.0.1',port=6379)def?process_item(self,?item,?spider):dic?=?{'name':item['name'],'kind':item['kind']}print(dic)self.conn.push('movieData',dic)????#?如果push不進去，那么dic變成str(dic)或者改變redis版本???pip?install?-U?redis==2.10.6return?item

04 深層網絡爬蟲技術

在互聯(lián)網中，網頁按存在方式可以分為表層網頁和深層網頁兩類。

所謂的表層網頁，指的是不需要提交表單，使用靜態(tài)的鏈接就能夠到達的靜態(tài)頁面；而深層網頁則隱藏在表單后面，不能通過靜態(tài)鏈接直接獲取，是需要提交一定的關鍵詞后才能夠獲取到的頁面，深層網絡爬蟲（deep Web crawler）最重要的部分即為表單填寫部分。

在互聯(lián)網中，深層網頁的數量往往要比表層網頁的數量多很多，故而，我們需要想辦法爬取深層網頁。

深層網絡爬蟲的基本構成：URL列表、LVS列表（LVS指的是標簽/數值集合，即填充表單的數據源）、爬行控制器、解析器、LVS控制器、表單分析器、表單處理器、響應分析器。

深層網絡爬蟲的表單填寫有兩種類型：

• 基于領域知識的表單填寫（建立一個填寫表單的關鍵詞庫，在需要的時候，根據語義分析選擇對應的關鍵詞進行填寫）；

• 基于網頁結構分析的表單填寫（一般在領域知識有限的情況下使用，這種方式會根據網頁結構進行分析，并自動地進行表單填寫）。