大數(shù)據(jù)環(huán)境下，數(shù)據(jù)分析已由業(yè)務(wù)驅(qū)動(dòng)轉(zhuǎn)變?yōu)閿?shù)據(jù)驅(qū)動(dòng)，網(wǎng)絡(luò)數(shù)據(jù)資源呈指數(shù)級(jí)增長，且散落在不同的數(shù)據(jù)源之中。對(duì)大多數(shù)企業(yè)和研究者而言，用“數(shù)據(jù)說話”仿佛成了大數(shù)據(jù)時(shí)代的重要武器。網(wǎng)絡(luò)爬蟲作為網(wǎng)絡(luò)數(shù)據(jù)獲取的重要技術(shù)，受到了越來越多數(shù)據(jù)需求者的青睞和追捧。
作為網(wǎng)絡(luò)爬蟲的入門采用Java開發(fā)語言，內(nèi)容涵蓋了網(wǎng)絡(luò)爬蟲的原理以及開發(fā)邏輯，Java網(wǎng)絡(luò)爬蟲基礎(chǔ)知識(shí)，網(wǎng)絡(luò)抓包介紹，jsoup的介紹與使用，HttpClient的介紹與使用等內(nèi)容。本課程在介紹網(wǎng)絡(luò)爬蟲基本原理的同時(shí)，注重具體的代碼實(shí)現(xiàn)，加深讀者對(duì)爬蟲的理解，加強(qiáng)讀者的實(shí)戰(zhàn)能力。
網(wǎng)絡(luò)爬蟲技術(shù)最廣泛的應(yīng)用是在搜索引擎中，如百度、Google、Bing等，它完成了搜索過程中的最關(guān)鍵的步驟，即網(wǎng)頁內(nèi)容的抓取。下圖為簡單搜索引擎原理圖。
網(wǎng)絡(luò)爬蟲的作用，我總結(jié)為以下幾點(diǎn)：
輿情分析：企業(yè)或政府利用爬取的數(shù)據(jù)，采用數(shù)據(jù)挖掘的相關(guān)方法，發(fā)掘用戶討論的內(nèi)容、實(shí)行事件監(jiān)測、輿情引導(dǎo)等。
企業(yè)的用戶分析：企業(yè)利用網(wǎng)絡(luò)爬蟲，采集用戶對(duì)其企業(yè)或商品的看法、觀點(diǎn)以及態(tài)度，進(jìn)而分析用戶的需求、自身產(chǎn)品的優(yōu)劣勢、顧客抱怨等。
科研工作者的必備技術(shù)：現(xiàn)有很多研究都以網(wǎng)絡(luò)大數(shù)據(jù)為基礎(chǔ)，而采集網(wǎng)絡(luò)大數(shù)據(jù)的必備技術(shù)便是網(wǎng)絡(luò)爬蟲。利用網(wǎng)絡(luò)爬蟲技術(shù)采集的數(shù)據(jù)可用于研究產(chǎn)品個(gè)性化推薦、文本挖掘、用戶行為模式挖掘等。
網(wǎng)絡(luò)爬蟲涉及的領(lǐng)域包括:
網(wǎng)絡(luò)爬蟲的基本概念
網(wǎng)絡(luò)爬蟲（WebCrawler），又稱為網(wǎng)絡(luò)蜘蛛（WebSpider）或Web信息采集器，是一種按照一定規(guī)則，自動(dòng)抓取或下載網(wǎng)絡(luò)信息的計(jì)算機(jī)程序或自動(dòng)化腳本，是目前搜索引擎的重要組成部分。
狹義上理解：利用標(biāo)準(zhǔn)的HTTP協(xié)議，根據(jù)網(wǎng)絡(luò)超鏈接（如https://www.baidu.com/）和Web文檔檢索的方法（如深度優(yōu)先）遍歷萬維網(wǎng)信息空間的軟件程序。
功能上理解：確定待爬的URL隊(duì)列，獲取每個(gè)URL對(duì)應(yīng)的網(wǎng)頁內(nèi)容（如HTML/JSON），解析網(wǎng)頁內(nèi)容，并存儲(chǔ)對(duì)應(yīng)的數(shù)據(jù)。
網(wǎng)絡(luò)爬蟲的分類
網(wǎng)絡(luò)爬蟲按照系統(tǒng)架構(gòu)和實(shí)現(xiàn)技術(shù)，大致可以分為以下幾種類型：通用網(wǎng)絡(luò)爬蟲（GeneralPurposeWebCrawler）、聚焦網(wǎng)絡(luò)爬蟲（FocusedWebCrawler）、增量式網(wǎng)絡(luò)爬蟲（IncrementalWebCrawler）、深層網(wǎng)絡(luò)爬蟲（DeepWebCrawler）。實(shí)際的網(wǎng)絡(luò)爬蟲系統(tǒng)通常是幾種爬蟲技術(shù)相結(jié)合實(shí)現(xiàn)的。
通用網(wǎng)絡(luò)爬蟲：爬行對(duì)象從一些種子URL擴(kuò)充到整個(gè)Web，主要為門戶站點(diǎn)搜索引擎和大型Web服務(wù)提供商采集數(shù)據(jù)。
通用網(wǎng)絡(luò)爬蟲的爬取范圍和數(shù)量巨大，對(duì)于爬行速度和存儲(chǔ)空間要求較高，對(duì)于爬行頁面的順序要求較低，通常采用并行工作方式，有較強(qiáng)的應(yīng)用價(jià)值。
聚焦網(wǎng)絡(luò)爬蟲，又稱為主題網(wǎng)絡(luò)爬蟲：是指選擇性地爬行那些與預(yù)先定義好的主題相關(guān)的頁面。
和通用爬蟲相比，聚焦爬蟲只需要爬行與主題相關(guān)的頁面，極大地節(jié)省了硬件和網(wǎng)絡(luò)資源，保存的頁面也由于數(shù)量少而更新快，可以很好地滿足一些特定人群對(duì)特定領(lǐng)域信息的需求。
通常在設(shè)計(jì)聚焦網(wǎng)絡(luò)爬蟲時(shí)，需要加入鏈接和內(nèi)容篩選模塊。一個(gè)常見的案例是基于關(guān)鍵字獲取符合用戶需求的數(shù)據(jù)，如下圖所示:
增量網(wǎng)絡(luò)爬蟲：對(duì)已下載網(wǎng)頁采取增量式更新和只爬行新產(chǎn)生的或者已經(jīng)發(fā)生變化網(wǎng)頁的爬蟲，它能夠在一定程度上保證所爬行的頁面是盡可能新的頁面，歷史已經(jīng)采集過的頁面不重復(fù)采集。
增量網(wǎng)絡(luò)爬蟲避免了重復(fù)采集數(shù)據(jù)，可以減小時(shí)間和空間上的耗費(fèi)。通常在設(shè)計(jì)網(wǎng)絡(luò)爬蟲時(shí)，需要在數(shù)據(jù)庫中，加入時(shí)間戳，基于時(shí)間戳上的先后，判斷程序是否繼續(xù)執(zhí)行。
DeepWeb爬蟲：指大部分內(nèi)容不能通過靜態(tài)鏈接獲取，只有用戶提交一些表單信息才能獲取的Web頁面。例如，需要模擬登陸的網(wǎng)絡(luò)爬蟲便屬于這類網(wǎng)絡(luò)爬蟲。另外，還有一些需要用戶提交關(guān)鍵詞才能獲取的內(nèi)容，如京東淘寶提交關(guān)鍵字、價(jià)格區(qū)間獲取產(chǎn)品的相關(guān)信息。
網(wǎng)絡(luò)爬蟲的流程
網(wǎng)絡(luò)爬蟲基本流程可用下圖描述：
具體流程為：
需求者選取一部分種子URL（或初始URL），將其放入待爬取的隊(duì)列中。如在Java網(wǎng)絡(luò)爬蟲中，可以放入linkedList或List中。
判斷URL隊(duì)列是否為空，如果為空則結(jié)束程序的執(zhí)行，否則執(zhí)行第三步驟。
從待爬取的URL隊(duì)列中取出待爬的一個(gè)URL，獲取URL對(duì)應(yīng)的網(wǎng)頁內(nèi)容。在此步驟需要使用響應(yīng)的狀態(tài)碼（如200，403等）判斷是否獲取數(shù)據(jù)，如響應(yīng)成功則執(zhí)行解析操作；如響應(yīng)不成功，則將其重新放入待爬取隊(duì)列（注意這里需要移除無效URL)。
針對(duì)已經(jīng)響應(yīng)成功后獲取到的數(shù)據(jù)，執(zhí)行頁面解析操作。此步驟根據(jù)用戶需求獲取網(wǎng)頁內(nèi)容里的部分?jǐn)?shù)據(jù)，如汽車論壇帖子的標(biāo)題、發(fā)表的時(shí)間等。
針對(duì)3步驟已解析的數(shù)據(jù)，將其進(jìn)行存儲(chǔ)。
網(wǎng)絡(luò)爬蟲的爬行策略
一般的網(wǎng)絡(luò)爬蟲的爬行策略分為兩種：深度優(yōu)先搜索（Depth-FirstSearch）策略、廣度優(yōu)先搜索（Breadth-FirstSearch）策略。
深度優(yōu)先搜索策略：從根節(jié)點(diǎn)的URL開始，根據(jù)優(yōu)先級(jí)向下遍歷該根節(jié)點(diǎn)對(duì)應(yīng)的子節(jié)點(diǎn)。當(dāng)訪問到某一子節(jié)點(diǎn)URL時(shí)，以該子節(jié)點(diǎn)為入口，繼續(xù)向下層遍歷，直到?jīng)]有新的子節(jié)點(diǎn)可以繼續(xù)訪問為止。接著使用回溯的方法，找到?jīng)]有被訪問到的節(jié)點(diǎn)，以類似的方式進(jìn)行搜索。下圖給出了理解深度優(yōu)先搜索的一個(gè)簡單案例：
廣度優(yōu)先搜索策略：也稱為寬度優(yōu)先，是另外一種非常有效的搜索技術(shù)，這種方法按照層進(jìn)行遍歷頁面。下圖可幫助理解廣度優(yōu)先搜索的遍歷方式：
基于廣度優(yōu)先的爬蟲是最簡單的爬取網(wǎng)站頁面的方法，也是目前使用較為廣泛的方法。
學(xué)習(xí)建議
網(wǎng)絡(luò)爬蟲是入門某一門編程語言的實(shí)戰(zhàn)技術(shù)：很多學(xué)習(xí)編程語言（如Java）的同學(xué)，采用的方式只看書或在網(wǎng)絡(luò)上看一些視頻，而這將導(dǎo)致的后果就是面對(duì)一個(gè)具體項(xiàng)目時(shí)，不知道如何上手，尤其對(duì)新手而言?；蛘?，一段時(shí)間后，就將之前的書本內(nèi)容或視頻內(nèi)容遺忘了。
為此，我建議這些學(xué)習(xí)者可采用網(wǎng)絡(luò)爬蟲技術(shù)入門某一門編程語言。因?yàn)榕老x技術(shù)是個(gè)綜合性很強(qiáng)的技術(shù)，涉及到編程語言的很多方面。小編特別選用了Java作為開發(fā)語言，將帶大家深入了解Java網(wǎng)絡(luò)爬蟲背后的核心技術(shù)。學(xué)完該課程，相信您也已很好地入門Java編程語言。
對(duì)于零基礎(chǔ)入門Java網(wǎng)絡(luò)爬蟲的同學(xué)，在學(xué)習(xí)過程中請(qǐng)注意以下幾點(diǎn)：
理解爬蟲的基本原理。
學(xué)習(xí)Java網(wǎng)絡(luò)爬蟲涉及的基礎(chǔ)知識(shí)：基礎(chǔ)不牢，地動(dòng)山搖，學(xué)習(xí)和掌握網(wǎng)絡(luò)爬蟲的基礎(chǔ)知識(shí)很重要。
吃透基本的爬蟲代碼，并在此基礎(chǔ)上進(jìn)行改寫。
不斷實(shí)戰(zhàn)，發(fā)現(xiàn)爬蟲中涉及的新問題，并解決問題。
以上就是長沙達(dá)內(nèi)教育java培訓(xùn)機(jī)構(gòu)小編介紹的“Java網(wǎng)絡(luò)爬蟲基礎(chǔ)入門”的內(nèi)容，希望對(duì)大家有幫助，更多java最新資訊請(qǐng)繼續(xù)關(guān)注長沙達(dá)內(nèi)教育java培訓(xùn)機(jī)構(gòu)官網(wǎng)，每天會(huì)有精彩內(nèi)容分享與你。
