爬虫的分类和爬虫的流程

学习目标：

1. 了解 爬虫分类
2. 记忆 爬虫流程
3. 了解 robots协议

---

1 爬虫的分类

在上一小结中，我们介绍爬虫爬取到的数据用途的时候，给大家举了两个例子，其实就是两种不同类型的爬虫

根据被爬网站的数量的不同，我们把爬虫分为：

• 通用爬虫 ：通常指搜索引擎的爬虫（https://www.baidu.com） (opens new window)

• 聚焦爬虫 ：针对特定网站的爬虫

2 爬虫的流程

请思考：如果自己要实现一个和百度新闻一样的网站需要怎么做？

爬虫的工作流程：

• 向起始url发送请求，并获取响应
• 对响应进行提取
• 如果提取url，则继续发送请求获取响应
• 如果提取数据，则将数据进行保存

3 robots协议

在百度搜索中，不能搜索到淘宝网中某一个具体的商品的详情页面，这就是robots协议在起作用

Robots协议：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，但它仅仅是互联网中的一般约定

例如：淘宝的robots协议 (opens new window)

---

小结

1. 爬虫分类：通用爬虫、聚焦爬虫
2. 爬虫的流程：
   • 向起始url发送请求，并获取响应
   • 对响应进行提取
   • 如果提取url，则继续发送请求获取响应
   • 如果提取数据，则将数据进行保存
3. robots协议：无需遵守该协议