登山之道

Spider概述

Spider即網(wǎng)絡爬蟲 ,其定義有廣義和狹義之分。狹義上指遵循標準的 http協(xié)議利用超鏈接和 Web文檔檢索的方法遍歷萬維網(wǎng)信息空間的軟件程序 ;而廣義的定義則是所有能遵循 http協(xié)議檢索 Web文檔的軟件都稱之為網(wǎng)絡爬蟲。

Spider是一個功能很強的自動提取網(wǎng)頁的程序 ,它為搜索引擎從萬維網(wǎng)上下載網(wǎng)頁 ,是搜索引擎的重要組成 .它通過請求站點上的 HTML文檔訪問某一站點。它遍歷 Web空間 ,不斷從一個站點移動到另一個站點 ,自動建立索引 ,并加入到網(wǎng)頁數(shù)據(jù)庫中。網(wǎng)絡爬蟲進入某個超級文本時 ,它利用 HTML語言的標記結(jié)構(gòu)來搜索信息及獲取指向其他超級文本的 URL地址 ,可以完全不依賴用戶干預實現(xiàn)網(wǎng)絡上的自動爬行和搜索。

Spider的隊列

（1）等待隊列 :新發(fā)現(xiàn)的 URL被加入到這個隊列 ,等待被 Spider程序處理 ;

（2）處理隊列 :要被處理的 URL被傳送到這個隊列。為了避免同一個 URL被多次處理 ,當一個 URL被處理過后 ,它將被轉(zhuǎn)移到完成隊列或者錯誤隊列 (如果發(fā)生錯誤 )。

（3）錯誤隊列 :如果在下載網(wǎng)頁是發(fā)生錯誤 ,該 URL將被加入 到錯誤隊列。

（4）完成隊列 :如果在處理網(wǎng)頁沒有發(fā)生錯誤 ,該 URL將被加入到完成隊列。

網(wǎng)絡爬蟲搜索策略

在抓取網(wǎng)頁的時候 ,目前網(wǎng)絡爬蟲一般有兩種策略 :無主題搜索與基于某特定主體的專業(yè)智能搜索。其中前者主要包括 :廣度優(yōu)先和深度優(yōu)先。廣度優(yōu)先是指網(wǎng)絡爬蟲會先抓取起始網(wǎng)頁中鏈接的所有網(wǎng)頁 ,然后再選擇其中的一個鏈接網(wǎng)頁 ,繼續(xù)抓取在此網(wǎng)頁中鏈接的所有網(wǎng)頁。這是最常用的方式,因為這個方法可以讓網(wǎng)絡爬蟲并行處理 ,提高其抓取速度。深度優(yōu)先是指網(wǎng)絡爬蟲會從起始頁開始 ,一個鏈接一個鏈接跟蹤下去 ,處理完這條線路之后再轉(zhuǎn)入下一個起始頁 ,繼續(xù)跟蹤鏈接。這個方法有個優(yōu)點是網(wǎng)絡爬蟲在設計的時候比較容易。大多數(shù)網(wǎng)頁爬行器采用寬度優(yōu)先搜索策略或者是對這種策略的某些改進。

在專業(yè)搜索引擎中 ,網(wǎng)絡爬蟲的任務是獲取 Web頁面和決定鏈接的訪問順序 ,它通常從一個 “種子集 ”(如用戶查詢、種子鏈接或種子頁面 )發(fā),以迭代的方式訪問頁面和提取鏈接。搜索過程中 ,未訪問的鏈接被暫存在一個稱為 “搜索前沿 ”(Spider Frontier)的隊列中 ,網(wǎng)絡爬蟲根據(jù)搜索前沿中鏈接的 “重要程度 ”決定下一個要訪問的鏈接。如何評價和預測鏈接的 “重要程度 ”(或稱價值 )是決定網(wǎng)絡爬蟲搜索策略的關(guān)鍵。

眾多的網(wǎng)絡爬蟲設計各不相同 ,但歸根結(jié)底是采用不同的鏈接價值評價標準。

常用開源網(wǎng)絡爬蟲介紹及其比較

Nutch

開發(fā)語言：Java

http://lucene.apache.org/nutch/

簡介：

Apache的子項目之一，屬于Lucene項目下的子項目。

Nutch是一個基于Lucene，類似Google的完整網(wǎng)絡搜索引擎解決方案，基于Hadoop的分布式處理模型保證了系統(tǒng)的性能，類似Eclipse的插件機制保證了系統(tǒng)的可客戶化，而且很容易集成到自己的應用之中。

Larbin

開發(fā)語言：C++

http://larbin.sourceforge.net/index-eng.html

簡介

　　larbin是一種開源的網(wǎng)絡爬蟲/網(wǎng)絡蜘蛛，由法國的年輕人 Sébastien Ailleret獨立開發(fā)。larbin目的是能夠跟蹤頁面的url進行擴展的抓取，最后為搜索引擎提供廣泛的數(shù)據(jù)來源。

　　Larbin只是一個爬蟲，也就是說larbin只抓取網(wǎng)頁，至于如何parse的事情則由用戶自己完成。另外，如何存儲到數(shù)據(jù)庫以及建立索引的事情 larbin也不提供。

　　latbin最初的設計也是依據(jù)設計簡單但是高度可配置性的原則，因此我們可以看到，一個簡單的larbin的爬蟲可以每天獲?。担埃叭f的網(wǎng)頁，非常高效。

Heritrix

開發(fā)語言：Java

http://crawler.archive.org/

簡介

與Nutch比較

和 Nutch。二者均為Java開源框架，Heritrix 是 SourceForge上的開源產(chǎn)品，Nutch為Apache的一個子項目，它們都稱作網(wǎng)絡爬蟲/蜘蛛（ Web Crawler），它們實現(xiàn)的原理基本一致：深度遍歷網(wǎng)站的資源，將這些資源抓取到本地，使用的方法都是分析網(wǎng)站每一個有效的URI，并提交Http請求，從而獲得相應結(jié)果，生成本地文件及相應的日志信息等。

Heritrix 是個 "archival crawler" -- 用來獲取完整的、精確的、站點內(nèi)容的深度復制。包括獲取圖像以及其他非文本內(nèi)容。抓取并存儲相關(guān)的內(nèi)容。對內(nèi)容來者不拒，不對頁面進行內(nèi)容上的修改。重新爬行對相同的URL不針對先前的進行替換。爬蟲通過Web用戶界面啟動、監(jiān)控、調(diào)整，允許彈性的定義要獲取的URL。

二者的差異：

Nutch 只獲取并保存可索引的內(nèi)容。Heritrix則是照單全收。力求保存頁面原貌

Nutch 可以修剪內(nèi)容，或者對內(nèi)容格式進行轉(zhuǎn)換。

Nutch 保存內(nèi)容為數(shù)據(jù)庫優(yōu)化格式便于以后索引；刷新替換舊的內(nèi)容。而Heritrix 是添加(追加)新的內(nèi)容。

Nutch 從命令行運行、控制。Heritrix 有 Web 控制管理界面。

Nutch 的定制能力不夠強，不過現(xiàn)在已經(jīng)有了一定改進。Heritrix 可控制的參數(shù)更多。

Heritrix提供的功能沒有nutch多，有點整站下載的味道。既沒有索引又沒有解析，甚至對于重復爬取URL都處理不是很好。

Heritrix的功能強大 但是配置起來卻有點麻煩。

三者的比較

一、從功能方面來說，Heritrix與Larbin的功能類似。都是一個純粹的網(wǎng)絡爬蟲，提供網(wǎng)站的鏡像下載。而Nutch是一個網(wǎng)絡搜索引擎框架，爬取網(wǎng)頁只是其功能的一部分。

二、從分布式處理來說，Nutch支持分布式處理，而另外兩個好像尚且還沒有支持。

三、從爬取的網(wǎng)頁存儲方式來說，Heritrix和 Larbin都是將爬取下來的內(nèi)容保存為原始類型的內(nèi)容。而Nutch是將內(nèi)容保存到其特定格式的segment中去。

四，對于爬取下來的內(nèi)容的處理來說，Heritrix和 Larbin都是將爬取下來的內(nèi)容不經(jīng)處理直接保存為原始內(nèi)容。而Nutch對文本進行了包括鏈接分析、正文提取、建立索引（Lucene索引）等處理。

五，從爬取的效率來說，Larbin效率較高，因為其是使用c++實現(xiàn)的并且功能單一。

表 3種爬蟲的比較

其他網(wǎng)絡爬蟲介紹：

Heritrix
Heritrix是一個開源，可擴展的web爬蟲項目。Heritrix設計成嚴格按照robots.txt文件的排除指示和META robots標簽。
http://crawler.archive.org/

WebSPHINX
WebSPHINX是一個Java類包和Web爬蟲的交互式開發(fā)環(huán)境。Web爬蟲(也叫作機器人或蜘蛛)是可以自動瀏覽與處理Web頁面的程序。WebSPHINX由兩部分組成：爬蟲工作平臺和WebSPHINX類包。
http://www.cs.cmu.edu/~rcm/websphinx/

WebLech
WebLech是一個功能強大的Web站點下載與鏡像工具。它支持按功能需求來下載web站點并能夠盡可能模仿標準Web瀏覽器的行為。WebLech有一個功能控制臺并采用多線程操作。
http://weblech.sourceforge.net/
Arale
Arale主要為個人使用而設計，而沒有像其它爬蟲一樣是關(guān)注于頁面索引。Arale能夠下載整個web站點或來自web站點的某些資源。Arale還能夠把動態(tài)頁面映射成靜態(tài)頁面。
http://web.tiscali.it/_flat/arale.jsp.html

J-Spider
J-Spider:是一個完全可配置和定制的Web Spider引擎.你可以利用它來檢查網(wǎng)站的錯誤(內(nèi)在的服務器錯誤等),網(wǎng)站內(nèi)外部鏈接檢查，分析網(wǎng)站的結(jié)構(gòu)(可創(chuàng)建一個網(wǎng)站地圖),下載整個Web站點，你還可以寫一個JSpider插件來擴展你所需要的功能。
http://j-spider.sourceforge.net/

spindle
spindle 是一個構(gòu)建在Lucene工具包之上的Web索引/搜索工具.它包括一個用于創(chuàng)建索引的HTTP spider和一個用于搜索這些索引的搜索類。spindle項目提供了一組JSP標簽庫使得那些基于JSP的站點不需要開發(fā)任何Java類就能夠增加搜索功能。
http://www.bitmechanic.com/projects/spindle/

Arachnid
Arachnid: 是一個基于Java的web spider框架.它包含一個簡單的HTML剖析器能夠分析包含HTML內(nèi)容的輸入流.通過實現(xiàn)Arachnid的子類就能夠開發(fā)一個簡單的Web spiders并能夠在Web站上的每個頁面被解析之后增加幾行代碼調(diào)用。 Arachnid的下載包中包含兩個spider應用程序例子用于演示如何使用該框架。
http://arachnid.sourceforge.net/

LARM
LARM能夠為Jakarta Lucene搜索引擎框架的用戶提供一個純Java的搜索解決方案。它包含能夠為文件，數(shù)據(jù)庫表格建立索引的方法和為Web站點建索引的爬蟲。
http://larm.sourceforge.net/

JoBo
JoBo 是一個用于下載整個Web站點的簡單工具。它本質(zhì)是一個Web Spider。與其它下載工具相比較它的主要優(yōu)勢是能夠自動填充form(如：自動登錄)和使用cookies來處理session。JoBo還有靈活的下載規(guī)則(如：通過網(wǎng)頁的URL，大小，MIME類型等)來限制下載。
http://www.matuschek.net/software/jobo/index.html

snoics-reptile
snoics -reptile是用純Java開發(fā)的，用來進行網(wǎng)站鏡像抓取的工具，可以使用配制文件中提供的URL入口，把這個網(wǎng)站所有的能用瀏覽器通過GET的方式獲取到的資源全部抓取到本地，包括網(wǎng)頁和各種類型的文件，如：圖片、flash、mp3、zip、rar、exe等文件?？梢詫⒄麄€網(wǎng)站完整地下傳至硬盤內(nèi)，并能保持原有的網(wǎng)站結(jié)構(gòu)精確不變。只需要把抓取下來的網(wǎng)站放到web服務器(如：Apache)中，就可以實現(xiàn)完整的網(wǎng)站鏡像。
http://www.blogjava.net/snoics

Web-Harvest
Web-Harvest是一個Java開源Web數(shù)據(jù)抽取工具。它能夠收集指定的Web頁面并從這些頁面中提取有用的數(shù)據(jù)。Web-Harvest主要是運用了像XSLT,XQuery,正則表達式等這些技術(shù)來實現(xiàn)對text/xml的操作。
http://web-harvest.sourceforge.net

spiderpy
spiderpy是一個基于Python編碼的一個開源web爬蟲工具，允許用戶收集文件和搜索網(wǎng)站，并有一個可配置的界面。
http://pyspider.sourceforge.net/

The Spider Web Network Xoops Mod Team
pider Web Network Xoops Mod是一個Xoops下的模塊，完全由PHP語言實現(xiàn)。
http://www.tswn.com/

larbin
larbin是個基于C++的web爬蟲工具，擁有易于操作的界面，不過只能跑在LINUX下，在一臺普通PC下larbin每天可以爬5百萬個頁面(當然啦，需要擁有良好的網(wǎng)絡)
http://larbin.sourceforge.net/index-eng.html

爬蟲存在的問題

1. robots.txt

robots.txt是一個純文本文件，在這個文件中網(wǎng)站管理者可以聲明該網(wǎng)站中不想被robots訪問的部分，或者指定搜索引擎只收錄指定的內(nèi)容。

當一個搜索機器人（有的叫搜索蜘蛛）訪問一個站點時，它會首先檢查該站點根目錄下是否存在robots.txt，如果存在，搜索機器人就會按照該文件中的內(nèi)容來確定訪問的范圍；如果該文件不存在，那么搜索機器人就沿著鏈接抓取。

另外，robots.txt必須放置在一個站點的根目錄下，而且文件名必須全部小寫。

2. 有些類型的網(wǎng)頁難以爬取。例如，使用javascript調(diào)用的頁面、需要注冊才能訪問的頁面等。

網(wǎng)絡爬蟲的相關(guān)研究工作

有些類型的網(wǎng)頁難以爬取。例如，使用javascript調(diào)用的頁面、需要注冊才能訪問的頁面等，對于這些網(wǎng)絡的爬取被歸結(jié)為深層網(wǎng)絡的挖掘。這些網(wǎng)頁可歸結(jié)為如下幾類：（1）通過

填寫表單形成對后臺再現(xiàn)數(shù)據(jù)庫查詢得到的動態(tài)頁面。（2）由于缺乏被指向的超鏈接而沒有被索引到的頁面。（3）需要注冊或其他限制訪問的頁面。（4）可訪問的非網(wǎng)頁文件。在曾偉輝等人的文章中，對這類問題進行了綜述。在王映等人的文章中，提出了使用一個嵌入式的JavaScript引擎來進行動態(tài)網(wǎng)頁采集的方法。

1. 有些非靜態(tài)的Web2.0網(wǎng)站的內(nèi)容動態(tài)生成，數(shù)據(jù)量巨大，難以抓取，例如論壇等網(wǎng)站。在2008年SIGIR中，Yida Wang等提出了一種爬取論壇的爬取方法。

2. 有些網(wǎng)站會限制網(wǎng)絡爬蟲的爬取，Analia G. Lourenco, Orlando O. Belo 在2006年提出來使用查詢?nèi)罩镜姆椒ㄏ拗凭W(wǎng)絡爬蟲的活動以減輕服務器壓力。

3. 網(wǎng)絡上的網(wǎng)頁數(shù)量太大，在爬取時需要考慮爬取的時間及效率等問題，UCLA的Junghoo Cho等提出了使用并行的crawler的方法。

4.