第1章
理解網(wǎng)絡(luò)爬蟲

1.1　爬蟲的定義

網(wǎng)絡(luò)爬蟲是一種按照一定的規(guī)則自動(dòng)地抓取網(wǎng)絡(luò)信息的程序或者腳本。簡單來說，網(wǎng)絡(luò)爬蟲就是根據(jù)一定的算法實(shí)現(xiàn)編程開發(fā)，主要通過URL實(shí)現(xiàn)數(shù)據(jù)的抓取和發(fā)掘。

隨著大數(shù)據(jù)時(shí)代的發(fā)展，數(shù)據(jù)規(guī)模越來越龐大，數(shù)據(jù)類型繁多，但是數(shù)據(jù)價(jià)值普遍較低。為了從龐大的數(shù)據(jù)體系里獲取有價(jià)值的數(shù)據(jù)，從而延伸了網(wǎng)絡(luò)爬蟲、數(shù)據(jù)分析等多個(gè)職位。近幾年，網(wǎng)絡(luò)爬蟲的需求更是井噴式地爆發(fā)，在招聘的供求市場(chǎng)上往往是供不應(yīng)求，造成這個(gè)現(xiàn)狀的主要原因就是求職者的專業(yè)水平低于需求企業(yè)的要求。

傳統(tǒng)的爬蟲有百度、Google、必應(yīng)等搜索引擎，這類通用的搜索引擎都有自己的核心算法。但是，通用的搜索引擎存在著一定的局限性：

（1）不同的搜索引擎對(duì)于同一個(gè)搜索會(huì)有不同的結(jié)果，搜索出來的結(jié)果未必是用戶需要的信息。

（2）通用的搜索引擎擴(kuò)大了網(wǎng)絡(luò)覆蓋率，但有限的搜索引擎服務(wù)器資源與無限的網(wǎng)絡(luò)數(shù)據(jù)資源之間的矛盾將進(jìn)一步加深。

（3）隨著網(wǎng)絡(luò)上數(shù)據(jù)形式繁多和網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，圖片、數(shù)據(jù)庫、音頻、視頻多媒體等不同數(shù)據(jù)大量出現(xiàn)，通用搜索引擎往往對(duì)這些信息含量密集且具有一定結(jié)構(gòu)的數(shù)據(jù)無能為力，不能很好地發(fā)現(xiàn)和獲取。

因此，為了得到準(zhǔn)確的數(shù)據(jù)，定向抓取相關(guān)網(wǎng)頁資源的聚焦爬蟲應(yīng)運(yùn)而生。聚焦爬蟲是一個(gè)自動(dòng)下載網(wǎng)頁的程序，可根據(jù)設(shè)定的抓取目標(biāo)有目的性地訪問互聯(lián)網(wǎng)上的網(wǎng)頁與相關(guān)的URL，從而獲取所需要的信息。與通用爬蟲不同，聚焦爬蟲并不追求全面的覆蓋率，而是抓取與某一特定內(nèi)容相關(guān)的網(wǎng)頁，為面向特定的用戶提供準(zhǔn)備數(shù)據(jù)資源。