标签：命令 埃森哲 流程 通过 阅读 htm submit 分类 主机
首先请问：都说现在是“大数据时代”，那数据从何而来？
根据使用场景，网络爬虫可分为 通用爬虫和聚焦爬虫
通用网络爬虫是 捜索引擎抓取系统（Baidu、Google、Yahoo等）的重要组成部分。主要目的是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份。
通用网络爬虫 从互联网中搜集网页，采集信息，这些网页信息用于为搜索引擎建立索引从而提供支持，它决定着整个引擎系统的内容是否丰富，信息是否即时，因此其性能的优劣直接影响着搜索引擎的效果。
搜索引擎网络爬虫的基本工作流程如下：
搜索引擎如何获取一个新网站的URL:
但是搜索引擎蜘蛛的爬行是被输入了一定的规则的，它需要遵从一些命令或文件的内容，如标注为nofollow的链接，或者是Robots协议。.
Robots协议（也叫爬虫协议、机器人协议等）,全称是“网络爬虫排除标准”（Robots Exclusion Protocol）,网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取,例如：
淘宝网：https://www.taobao.com/robots.txt
腾讯网： http://www.qq.com/robots.txt
搜索引擎通过爬虫爬取到的网页，将数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的。
搜索引擎蜘蛛在抓取页面时，也做一定的重复内容检测，一旦遇到访问权重很低的网站上有大量抄袭、采集或者复制的内容，很可能就不再爬行。
搜索引擎将爬虫抓取回来的页面，进行各种步骤的预处理。
除了HTML文件外，搜索引擎通常还能抓取和索引以文字为基础的多种文件类型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我们在搜索结果中也经常会看到这些文件类型。
但搜索引擎还不能处理图片、视频、Flash 这类非文字内容，也不能执行脚本和程序。
搜索引擎在对信息进行组织和处理后，为用户提供关键字检索服务，将用户检索相关的信息展示给用户。
同时会根据页面的PageRank值（链接的访问量排名）来进行网站排名，这样Rank值高的网站在搜索结果中会排名较前，当然也可以直接使用 Money 购买搜索引擎网站排名，简单粗暴。
延伸阅读：google搜索引擎的工作原理
针对这些情况，聚焦爬虫技术得以广泛使用
聚焦爬虫，是"面向特定主题需求"的一种网络爬虫程序，它与通用搜索引擎爬虫的区别在于： 聚焦爬虫在实施网页抓取时会对内容进行处理筛选，尽量保证只抓取与需求相关的网页信息。
标签：命令 埃森哲 流程 通过 阅读 htm submit 分类 主机
原文地址：https://www.cnblogs.com/shuai-long/p/9601155.html
