关于网络爬虫

请问谁能给个关于写网络爬虫教程的一些资料？谢谢！

12 个解决方案

#1

帮你顶

#2

python教程里有这一部分。

#3

搜到的一个资料，希望对你有用

高强度爬虫程序
Baiduspider+(+http://www.baidu.com/search/spider.htm)
百度爬虫
高强度爬虫，有时会从多个IP地址启动多个爬虫程序！
由于算法问题，百度爬虫对相同页面会多次发出请求（尤其是首页），令人烦恼。
推广效果好。
Mozilla/5.0 (compatible; Yahoo! Slurp China; http://misc.yahoo.com.cn/help.html)
Mozilla/5.0 (compatible; Yahoo! Slurp; http://help.yahoo.com/help/us/ysearch/slurp)
雅虎爬虫，分别是雅虎中国和美国总部的爬虫
高强度爬虫，有时会从多个IP地址启动多个爬虫程序！
比较规范的爬虫，看参考其网址，设定爬虫访问间隔。（但需要考虑同时出现多个yahoo爬虫）
推广效果尚可。
iaskspider/2.0(+http://iask.com/help/help_index.html)
Mozilla/5.0 (compatible; iaskspider/1.0; MSIE 6.0)
新浪爱问爬虫
算法差，大量扫描无实际意义的页面，对动态链接网站负担很大
推广效果差。
sogou spider
搜狗爬虫
算法差，大量扫描无实际意义的页面，对动态链接网站负担很大
推广效果差。

中等强度爬虫程序
Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)
Google爬虫
算法优秀，多为访问有实际内容的页面
推广效果好。
Mediapartners-Google/2.1
google点击广告爬虫
特点未知
OutfoxBot/0.5 (for internet experiments; http://; outfoxbot@gmail.comoutfoxbot@gmail.com )
网易爬虫
其搜索算法需要改进
推广效果差。
ia_archiver
Alexa排名爬虫
作用未知

其他搜索引擎的爬虫
msnbot/1.0 (+http://search.msn.com/msnbot.htm)
MSN爬虫
特点未知
msnbot-media/1.0 (+http://search.msn.com/msnbot.htm)
（欢迎补充资料）
特点未知
Mozilla/4.0(compatible; MSIE 5.0; Windows 98; DigExt)
Mozilla/4.0 (compatible; MSIE 5.0; Windows 98; DigExt)
Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt; DTS Agent
Mozilla/4.0 (compatible; MSIE 5.00; Windows 98; DigExt)
（欢迎补充资料）
Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; QihooBot 1.0)
名字上看来是Qihoo的
特点未知
Gigabot
Gigabot/2.0 (http://www.gigablast.com/spider.html)
Gigabot搜索引擎爬虫。已被google收购？（欢迎补充资料）
eApolloBot/1.0 (eApollo search engine robot; http://www.eapollo.com; eapollo at global-opto dot com)
lanshanbot/1.0
据说是中搜爬虫。（欢迎补充资料）
iearthworm/1.0, iearthworm@yahoo.com.cniearthworm@yahoo.com.cn
TMCrawler
WebNews http.pl

RSS扫描器
\rss.asp Mozilla/6.0 (MSIE 6.0; Windows NT 5.1;Foxmail/MILOWU)
这是用foxmail6.0订阅了你的rss
\rss.asp Feedfetcher-Google; (+http://www.google.com/feedfetcher.html)
google的rss搜索扫描器
\rss.asp feedsky_spider http://www.feedsky.com
一款rss扫描器，有兴趣者进入此网站添加您的rss

#4

3楼真是太牛了！

#5

转炒一下，呵呵

#6

你就看Nutch吧，资料最多

#7

http://blog.csdn.net/Java2King/archive/2010/07/07/5718476.aspx 这本书很好，可惜已经绝版了~~在网上多找找资料吧

#8

主要看楼主希望了解爬虫的哪些方面？

一般spider系统分为几个层面，
最上面是抓取层，主要问题是，如何高效、高并发的排队、抓取链接。通常用异步系统实现。

中间是数据过滤、分析层，根据网页，解析其中的内容。如何更有效、高效的解析其中的信息，为下层应用来使用是不容易的。最简单的解析，就是提链，把链接都提出来，接下来继续抓取。

最下面是选取层，把网页、链接的相关信息存储起来，通过一定的选取算法，选择最应该抓取的内容，派发到上层抓取。关于选取算法，有专门的描述。楼主可以参考搜索引擎的相关书籍。

#9

该回复于2010-10-26 08:58:18被版主删除

#10

NUTCH吧功能比较强大，拿来就能用了，又是开源的。

#11

可以去学术期刊上寻找，特别是一些硕士毕业论文，有些学生的论文就专门“研究”网络爬虫，信息量会比较大。如果网上找不到论文，可以让学校的学生帮你下载论文。

#12

网络机器人Java编程指南，网上有电子书，搜索一下下

#1

帮你顶

#2