很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請把文章發(fā)送到郵箱tougao@appcpx.com，一經(jīng)錄用會有專人和您聯(lián)系
咨詢?nèi)绾纬蔀榇河鹱髡哒埪?lián)系：鳥哥筆記小羽毛（ngbjxym）
01 爬蟲是什么
網(wǎng)絡爬蟲（又被稱為網(wǎng)頁蜘蛛、網(wǎng)絡機器人，在FOAF社區(qū)中，更經(jīng)常地稱為網(wǎng)頁追逐者）是一種按照一定的規(guī)則，自動抓取萬維網(wǎng)信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲。
網(wǎng)絡爬蟲通過爬取互聯(lián)網(wǎng)上網(wǎng)站服務器的內(nèi)容來工作。它是用計算機語言編寫的程序或腳本，用于自動從Internet上獲取信息或數(shù)據(jù)，掃描并抓取每個所需頁面上的某些信息，直到處理完所有能正常打開的頁面。
作為搜索引擎的重要組成部分，爬蟲首要的功能就是爬取網(wǎng)頁數(shù)據(jù)，目前市面流行的采集器軟件都是運用網(wǎng)絡爬蟲的原理或功能。
02 爬蟲的意義
現(xiàn)如今大數(shù)據(jù)時代已經(jīng)到來，網(wǎng)絡爬蟲技術成為這個時代不可或缺的一部分，企業(yè)需要數(shù)據(jù)來分析用戶行為、自己產(chǎn)品的不足之處以及競爭對手的信息等，而這一切的首要條件就是數(shù)據(jù)的采集。
網(wǎng)絡爬蟲的價值其實就是數(shù)據(jù)的價值，在互聯(lián)網(wǎng)社會中，數(shù)據(jù)是無價之寶，一切皆為數(shù)據(jù)，誰擁有了大量有用的數(shù)據(jù)，誰就擁有了決策的主動權。網(wǎng)絡爬蟲的應用領域很多，如搜索引擎、數(shù)據(jù)采集、廣告過濾、大數(shù)據(jù)分析等。
1）抓取各大電商網(wǎng)站的商品銷量信息及用戶評價來進行分析，
2）分析大眾點評、美團網(wǎng)等餐飲類網(wǎng)站的用戶消費、評價和發(fā)展趨勢
3）分析各個城市中學區(qū)房的比例，以及學區(qū)房比普通二手房價格高出多少
以上數(shù)據(jù)是通過前嗅ForeSpider數(shù)據(jù)采集軟件爬下來的，有興趣的讀者可以嘗試自己爬一些數(shù)據(jù)。
03 爬蟲的原理
我們通常會將網(wǎng)絡爬蟲的組成模塊分為初鏈接庫、網(wǎng)絡抓取模塊、網(wǎng)頁處理模塊、網(wǎng)頁分析模塊、DNS模塊、待抓取鏈接隊列、網(wǎng)頁庫等，網(wǎng)絡爬蟲的各系模塊可形成一個循壞體系，從而不斷地進行分析和抓取。
爬蟲的工作原理可以很簡單地解釋為先找到目標信息網(wǎng)，然后頁面抓取模塊，接著頁面分析模塊，最后數(shù)據(jù)存儲模塊。
爬蟲工作基本流程：
首先在互聯(lián)網(wǎng)中選出一部分網(wǎng)頁，以這些網(wǎng)頁的鏈接地址作為種子URL；
將這些種子URL放入待抓取的URL隊列中，爬蟲從待抓取的URL隊列依次讀??；
將URL通過DNS解析；
把鏈接地址轉(zhuǎn)換為網(wǎng)站服務器對應的IP地址；
網(wǎng)頁下載器通過網(wǎng)站服務器對網(wǎng)頁進行下載；
下載的網(wǎng)頁為網(wǎng)頁文檔形式；
對網(wǎng)頁文檔中的URL進行抽??；
過濾掉已經(jīng)抓取的URL；
對未進行抓取的URL繼續(xù)循環(huán)抓取，直至待抓取URL隊列為空。
04 爬蟲技術的類型
聚焦網(wǎng)絡爬蟲是“面向特定主題需求”的一種爬蟲程序，而通用網(wǎng)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(wǎng)上的網(wǎng)頁下載到本地，形成一個互聯(lián)網(wǎng)內(nèi)容的鏡像備份。
增量抓取意即針對某個站點的數(shù)據(jù)進行抓取，當網(wǎng)站的新增數(shù)據(jù)或者該站點的數(shù)據(jù)發(fā)生變化后，自動地抓取它新增的或者變化后的數(shù)據(jù)。
Web頁面按存在方式可以分為表層網(wǎng)頁（surface Web）和深層網(wǎng)頁（deep Web，也稱invisible Web pages或hidden Web）。
表層網(wǎng)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(wǎng)頁為主來構成的Web頁面。
深層網(wǎng)頁是那些大部分內(nèi)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。
本文為作者獨立觀點，不代表鳥哥筆記立場，未經(jīng)允許不得轉(zhuǎn)載。
《鳥哥筆記版權及免責申明》 如對文章、圖片、字體等版權有疑問，請點擊 反饋舉報
我們致力于提供一個高質(zhì)量內(nèi)容的交流平臺。為落實國家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評論自律管理，為了保護用戶創(chuàng)造的內(nèi)容、維護開放、真實、專業(yè)的平臺氛圍，我們團隊將依據(jù)本公約中的條款對注冊用戶和發(fā)布在本平臺的內(nèi)容進行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容，同時也將采取必要措施管理違法、侵權或有其他不良影響的網(wǎng)絡信息。
一、根據(jù)《網(wǎng)絡信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權，破壞國家統(tǒng)一，損害國家榮譽和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽、榮譽；
4)宣揚恐怖主義、極端主義或者煽動實施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團結；
6)破壞國家宗教政策，宣揚邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽、隱私和其他合法權益；
11)通過網(wǎng)絡以文字、圖片、音視頻等形式，對未成年人實施侮辱、誹謗、威脅或者惡意損害未成年人形象進行網(wǎng)絡欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內(nèi)容；
2. 不友善：不尊重用戶及其所貢獻內(nèi)容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實，損害他人名譽；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進行負面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗、擾亂本網(wǎng)站秩序的內(nèi)容，或進行相關行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產(chǎn)品、提供服務、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉(zhuǎn)網(wǎng)站等，誘騙用戶點擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關交易。
7)發(fā)布包含欺騙性的惡意營銷內(nèi)容，如通過偽造經(jīng)歷、冒充他人等方式進行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗的細節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚低俗、庸俗、媚俗內(nèi)容。
5. 不實信息，主要表現(xiàn)為：
1)可能存在事實性錯誤或者造謠等內(nèi)容；
2)存在事實夸大、偽造虛假經(jīng)歷等誤導他人的內(nèi)容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機構或個人存在關聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測字、占卜、解夢、化解厄運、使用迷信方式治??；
2)求推薦算命看相大師；
3)針對具體風水等問題進行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導用戶；
2)內(nèi)容與標題之間存在嚴重不實或者原意扭曲；
3)使用夸張標題，內(nèi)容與標題嚴重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導未成年人應援集資、高額消費、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網(wǎng)絡水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內(nèi)容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導未成年人不良嗜好影響未成年人身心健康的；
2)不當評述自然災害、重大事故等災難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網(wǎng)絡生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過主動發(fā)現(xiàn)和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當一個用戶發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將依據(jù)相關用戶違規(guī)情節(jié)嚴重程度，對帳號進行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺管理經(jīng)驗的不斷豐富，本網(wǎng)站出于維護本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶對本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網(wǎng)站進行反饋。
(規(guī)則的最終解釋權歸屬本網(wǎng)站所有)