美文网首页
85.http权威指南-第9章-爬虫

85.http权威指南-第9章-爬虫

作者: wo不是黄蓉 | 来源:发表于2022-04-04 09:40 被阅读0次

爬虫也被称为蜘蛛：是一种机器人，它会递归地对各种信息性web站点进行遍历，根据html连接创建的网络。网络搜索就是利用爬虫，把所有文档都拉回来，然后对这些文档进行处理，形成一个可搜索的数据库。

爬虫要避免进入循环。

避免循环和重复的方式：

  • 规范化url
  • 广度优先的爬行
  • 节流（限制一段事件内机器人可以从一个站点获取的网页数）
  • 限制Url大小
  • url站点黑名单（访问到该url时避开）
  • 模式检测（制定规则）
  • 内容指纹（重复性检查）
  • 人工监视

记录爬虫访问地址的几种方式：

  • 树和散列表
  • 有损的存在位图（填数据）
  • 检查点（存储结果道硬盘上）
  • 分类

相关文章

网友评论

      本文标题：85.http权威指南-第9章-爬虫

      本文链接：https://www.haomeiwen.com/subject/zegfsrtx.html

      延伸阅读

      深度阅读

      • 您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

      栏目导航

      热点阅读

      关于我们|服务条款|联系我们|85.http权威指南-第9章-爬虫|投稿指南|网站地图|RSS订阅|排版工具|手机版

      提供经典美文摘抄,优美散文欣赏,现代诗歌精选,短篇小说,心情随笔,表白情书范文,故事会在线阅读欣赏

      Copyright © 2014-2023 Haomeiwen.com All Rights Reserved. 好美文阅读网 版权所有

      备案信息：桂公网安备 45052102000051号 · 桂ICP备13007215号-3

      本站所收录作品、热点评论等信息部分来源互联网，目的只是为了系统归纳学习和传递资讯

      所有作品版权归原创作者所有，与本站立场无关，如不慎侵犯了你的权益，请联系我们告知，我们将做删除处理！