请问哪些是网络爬虫啊？是干哪些的呢？

　　展开全部

　　爬虫就是才能手动访问互联网并将网站内容下载出来的636f70797a686964616f31333366303235的程序或脚本，类似一个机器人，能把他人网站的信息弄到自己的笔记本上，再做一些过滤，筛选，归纳，整理，排序等等。

　　网络爬虫能做哪些：数据采集。

　　网络爬虫是一个手动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL装入队列,直到满足系统的一定停止条件。

　　扩展资料：

　　网络爬虫根据系统结构和实现技术，大致可以分为以下几种类型：通用网路爬虫（General Purpose Web Crawler）、聚焦网络爬虫（Focused Web Crawler）、增量式网络爬虫（Incremental Web Crawler）、深层网络爬虫（Deep Web Crawler）。 实际的网路爬虫系统一般是几种爬虫技术相结合实现的 。

　　通用网路爬虫

　　通用网路爬虫又称全网爬虫（Scalable Web Crawler），爬行对象从一些*敏*感*词* URL 扩充到整个 Web，主要为门户站点搜索引擎和小型 Web 服务提供商采集数据。 由于商业缘由，它们的技术细节甚少公布下来。 这类网路爬虫的爬行范围和数目巨大，对于爬行速率和储存空间要求较高，对于爬行页面的次序要求相对较低，同时因为待刷新的页面太多，通常采用并行工作方法，但须要较长时间能够刷新一次页面。 虽然存在一定缺陷，通用网路爬虫适用于为搜索引擎搜索广泛的主题，有较强的应用价值 。

　　通用网路爬虫的结构大致可以分为页面爬行模块 、页面剖析模块、链接过滤模块、页面数据库、URL 队列、初始 URL 集合几个部份。为提升工作效率，通用网路爬虫会采取一定的爬行策略。 常用的爬行策略有：深度优先策略、广度优先策略 。

　　1) 深度优先策略：其基本方式是根据深度由低到高的次序，依次访问下一级网页链接，直到不能再深入为止。 爬虫在完成一个爬行分支后返回到上一链接节点进一步搜索其它链接。 当所有链接遍历完后，爬行任务结束。 这种策略比较适宜垂直搜索或站内搜索， 但爬行页面内容层次较深的站点时会导致资源的巨大浪费 。

　　2) 广度优先策略：此策略根据网页内容目录层次深浅来爬行页面，处于较浅目录层次的页面首先被爬行。 当同一层次中的页面爬行完毕后，爬虫再深入下一层继续爬行。 这种策略才能有效控制页面的爬行深度，避免碰到一个无穷深层分支时未能结束爬行的问题，实现便捷，无需储存大量中间节点爬虫软件是什么，不足之处在于需较长时间能够爬行到目录层次较深的页面。

　　聚焦网络爬虫

　　聚焦网络爬虫（Focused Crawler），又称主题网路爬虫（Topical Crawler），是指选择性地爬行这些与预先定义好的主题相关页面的网路爬虫。 和通用网路爬虫相比，聚焦爬虫只须要爬行与主题相关的页面，极大地节约了硬件和网路资源，保存的页面也因为数目少而更新快，还可以挺好地满足一些特定人群对特定领域信息的需求 。

　　聚焦网络爬虫和通用网路爬虫相比，增加了链接评价模块以及内容评价模块。聚焦爬虫爬行策略实现的关键是评价页面内容和链接的重要性，不同的方式估算出的重要性不同，由此引起链接的访问次序也不同 。

　　增量式网络爬虫

　　增量式网络爬虫（Incremental Web Crawler）是 指 对 已 下 载 网 页 采 取 增 量式更新和只爬行新形成的或则早已发生变化网页的爬虫，它还能在一定程度上保证所爬行的页面是尽可能新的页面。 和周期性爬行和刷新页面的网路爬虫相比，增量式爬虫只会在须要的时侯爬行新形成或发生更新的页面 ，并不重新下载没有发生变化的页面，可有效降低数据下载量，及时更新已爬行的网页，减小时间和空间上的花费，但是降低了爬行算法的复杂度和实现难度。增量式网路爬虫的体系结构[包含爬行模块、排序模块、更新模块、本地页面集、待爬行 URL 集以及本地页面URL 集 。

　　增量式爬虫有两个目标：保持本地页面集中储存的页面为最新页面和提升本地页面集中页面的质量。 为实现第一个目标，增量式爬虫须要通过重新访问网页来更新本地页面集中页面内容，常用的方式有：1) 统一更新法：爬虫以相同的频度访问所有网页，不考虑网页的改变频度；2) 个体更新法：爬虫依据个体网页的改变频度来重新访问各页面；3) 基于分类的更新法：爬虫依照网页改变频度将其分为更新较快网页子集和更新较慢网页子集两类，然后以不同的频度访问这两类网页 。

　　为实现第二个目标，增量式爬虫须要对网页的重要性排序，常用的策略有：广度优先策略、PageRank 优先策略等。IBM 开发的 WebFountain是一个功能强悍的增量式网路爬虫，它采用一个优化模型控制爬行过程，并没有对页面变化过程做任何统计假定爬虫软件是什么，而是采用一种自适应的方式按照原先爬行周期里爬行结果和网页实际变化速率对页面更新频度进行调整。北京大学的天网增量爬行系统致力爬行国外 Web，将网页分为变化网页和新网页两类，分别采用不同爬行策略。 为减轻对大量网页变化历史维护造成的性能困局，它依据网页变化时间局部性规律，在短时期内直接爬行多次变化的网页 ，为尽早获取新网页，它借助索引型网页跟踪新出现网页 。

　　Deep Web 爬虫

　　Web 页面按存在形式可以分为表层网页（Surface Web）和深层网页（Deep Web，也称 Invisible Web Pages 或 Hidden Web）。 表层网页是指传统搜索引擎可以索引的页面，以超链接可以抵达的静态网页为主构成的 Web 页面。Deep Web 是这些大部分内容不能通过静态链接获取的、隐藏在搜索表单后的，只有用户递交一些关键词能够获得的 Web 页面。例如这些用户注册后内容才可见的网页就属于 Deep Web。 2000 年 Bright Planet 指出：Deep Web 中可访问信息容量是 Surface Web 的几百倍，是互联网上最大、发展最快的新型信息资源 。

　　参考资料：

　　百度百科-网络爬虫