01 爬虫是什么
网络爬虫（又被称为网页蜘蛛、网络机器人，在FOAF社区中，更经常地称为网页追逐者）是一种按照一定的规则，自动抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
网络爬虫通过爬取互联网上网站服务器的内容来工作。它是用计算机语言编写的程序或脚本，用于自动从Internet上获取信息或数据，扫描并抓取每个所需页面上的某些信息，直到处理完所有能正常打开的页面。
作为搜索引擎的重要组成部分，爬虫首要的功能就是爬取网页数据（如图2-1所示），目前市面流行的采集器软件都是运用网络爬虫的原理或功能。
▲图2-1 网络爬虫象形图
02 爬虫的意义
现如今大数据时代已经到来，网络爬虫技术成为这个时代不可或缺的一部分，企业需要数据来分析用户行为、自己产品的不足之处以及竞争对手的信息等，而这一切的首要条件就是数据的采集。
网络爬虫的价值其实就是数据的价值，在互联网社会中，数据是无价之宝，一切皆为数据，谁拥有了大量有用的数据，谁就拥有了决策的主动权。网络爬虫的应用领域很多，如搜索引擎、数据采集、广告过滤、大数据分析等。
1）抓取各大电商网站的商品销量信息及用户评价来进行分析，如图2-2所示。
▲图2-2 电商网站的商品销售信息
2）分析大众点评、美团网等餐饮类网站的用户消费、评价和发展趋势，如图2-3所示。
▲图2-3 餐饮类网站的用户消费信息
3）分析各个城市中学区房的比例，以及学区房比普通二手房价格高出多少，如图2-4所示。
▲图2-4 学区房的比例与价格对比
以上数据是通过前嗅ForeSpider数据采集软件爬下来的，有兴趣的读者可以尝试自己爬一些数据。
03 爬虫的原理
我们通常会将网络爬虫的组成模块分为初链接库、网络抓取模块、网页处理模块、网页分析模块、DNS模块、待抓取链接队列、网页库等，网络爬虫的各系模块可形成一个循坏体系，从而不断地进行分析和抓取。
爬虫的工作原理可以很简单地解释为先找到目标信息网，然后页面抓取模块，接着页面分析模块，最后数据存储模块。其具体详情如图2-5所示。
▲图2-5 爬虫原理图
爬虫工作基本流程：
- 首先在互联网中选出一部分网页，以这些网页的链接地址作为种子URL；
- 将这些种子URL放入待抓取的URL队列中，爬虫从待抓取的URL队列依次读取；
- 将URL通过DNS解析；
- 把链接地址转换为网站服务器对应的IP地址；
- 网页下载器通过网站服务器对网页进行下载；
- 下载的网页为网页文档形式；
- 对网页文档中的URL进行抽取；
- 过滤掉已经抓取的URL；
- 对未进行抓取的URL继续循环抓取，直至待抓取URL队列为空。
04 爬虫技术的类型
- 聚焦网络爬虫是“面向特定主题需求”的一种爬虫程序，而通用网络爬虫则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。
- 增量抓取意即针对某个站点的数据进行抓取，当网站的新增数据或者该站点的数据发生变化后，自动地抓取它新增的或者变化后的数据。
- Web页面按存在方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，即以超链接可以到达的静态网页为主来构成的Web页面。
- 深层网页是那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，只有用户提交一些关键词才能获得的Web页面。