您的位置:首页 > 新闻资讯 >文章内容
代理IP分享:4种爬虫策略
来源:互联网 作者:admin 时间:2019-09-13 11:00:00

  互联网时代,数据发挥着很重要的作用,可以是企业获得盈利的核心,也可以用于分析发展趋势。想要获得大量的数据,那么就离不开网络爬虫,想要爬虫顺利开展,那么就得做好爬虫方案等准备,找好合适的代理IP,对爬虫做好了解。


代理IP分享:4种爬虫策略


  爬虫的抓取有着不同的策略,其策略的不同就是利用不同的方法确定待抓取URL队列中URL优先顺序的。


  爬虫的抓取策略有很多种,但不论方法如何,基本目标一致:优先选择重要网页进行抓取。


  网页的重要性,评判标准不同,大部分采用网页的流行性进行定义。


  效果较好或有代表性的抓取策略:


  1、大站优先策略


  2、宽度优先遍历策略


  3、OCIP策略


  4、非完全PageRank策略


  1、大站优先策略(Larger Sites First)


  大站优先策略思路:


  以网站为单位来选题网页重要性,对于待爬取URL队列中的网页,根据所属网站归类,如果哪个网站等待下载的页面最多,则优先下载这些链接,其本质思想倾向于优先下载大型网站。因为大型网站往往包含更多的页面。鉴于大型网站往往是著名企业的内容,其网页质量一般较高,所以这个思路虽然简单,但是有一定依据。实验表明这个算法效果也要略优先于宽度优先遍历策略。


  2、宽度优先策略(Breath First)


  基本思想:将新下载网页包含的链接直接追加到待抓取URL队列末尾。


  假设队头的网页是1号网页,从1号网页中抽取出3个链接指向2号、3号和4号网页,于是按照编号顺序依次放入待抓取URL队列,图中网页的编号就是在待抓取URL队列中的顺序编号,之后爬虫以此顺序进行下载。


  实验表明,这种策略效果很好,虽然看似机械,但实际上的网页抓取顺序基本上是按照网页的重要性排序。之所以如此,有研究人员认为:如果某个网页包含很多入链,那么更有可能被宽度优先遍历策略早早抓到,入链个数从侧面体现了网页的重要性,即实际上宽度优先遍历策略隐含了一些网页优先级假设。


  3、OCIP策略(Online Page Importance Computation)


  OCIP字面意思即“在线页面重要性计算”,可以将其看做是一种改进的PageRank算法。


  基本思路:


  在算法开始之前,每个互联网页面都给予相同的“现金”,每当下载了某个页面P后,P就将自己拥有的现金平均分配给页面中包含的链接页面,把自己的“现金”清空。而对于待爬取URL队列中的网页,则根据其手头拥有的“现金”金额多少排序,优先下载“现金”最多的网页,OPIC从大的框架上与PageRank思路基本一致。


  与PageRank的区别在于:PageRank每次需要迭代计算,而OPIC策略不需要迭代过程。所以计算速度远远快与PageRank,适合实时计算使用。同时,PageRank在计算时,存在向无链接关系网页的远程跳转过程,而OPIC没有这一计算因子。实验结果表明,OPIC是较好的重要性衡量策略,效果略优于宽度优化遍历策略。


  4、非完全PageRank策略(Partial PageRank)


  基本思路:对于已经下载的网页,加上待抓取URL队列中的URL一起,形成网页集合,在此集合内进行PageRank计算,计算完成后,将待抓取URL队列里的网页按照PageRank得分由高到低排序,形成的序列就是爬虫接下来应该依次抓取的URL列表。


  如果每次新抓取到一个网页,就进行重新计算新的非完全PageRank,明显效率太低。折中办法是网页攒够K个计算一次。


  设定每下载3个网页进行新的PageRank计算,此时已经有{1,2,3}3个网页下载到本地。这三个网页包含的链接指向{4,5,6},即待抓取URL队列,如何决定下载顺序?


  将这6个网页形成新的集合,对这个集合计算PageRank的值,这样4、5、6就获得自己对应的PageRank值,由大到小排序,即可得出下载顺序。假设顺序为5,4,6,当下载55页面后抽取出链接,指向页面8,此时赋予8临时PageRank值,如果这个值大于4和6的PageRank,则接下来优先下载页面8,如此不断循环,即形成了非完全PageRank策略的计算思路。


  以上就是爬虫的4种常用策略,希望能够对大家开展爬虫工作带来帮助。


相关文章内容简介
推荐阅读
  • 19 2020-06
    如何维护上网安全

    当今互联网什么愈发重要?是速度?或是技术?实际上愈发重要的一点,确实时常被各位所忽视的,应该是每一个用户的隐私安全。不知各位是否感觉如果你刷新浪微博、逛天猫商城、看头条时,连

  • 02 2019-09
    构建一个你的爬虫代理IP池

    网站现在对于单个IP的访问频次都有严格的监控,特别是像一些大型网站,这样单个IP很容易被封。如果手上没有足够的IP,项目也无法完成,当我们在做某个项目或是爬虫的时,需要大量IP的话

  • 01 2019-07
    手游多开需要换IP地址登陆

    手游多开需要换IP地址登陆,现在手游比较火,手游的玩家越来越多了,因此一些游戏工作室也会选择进入手游赚钱,手游工作室行业将进入规模产业化,资源大佬赚钱时代。

  • 23 2020-11
    新手要怎么购买代理ip呢

    大家可能以为换ip软件是一瞬间在互联网上火爆起来的,但是其实ip代理已经出现了很长一段时间了,并且不断的在进行进步升级、不断的在完善。

  • 22 2019-05
    IP代理的适用范围比网游加速器广

    IP代理的适用范围比网游加速器广,虽然从原理上来说IP代理的原理和网游加速器的原理其实都是一样的,网友加速和IP代理都是通过第三方的服务器实现的。

  • 13 2021-01
    关于代理IP的三大益处

    代理IP,是一种信息服务项目,依据运用新的互联网ip来取代自身互联网ip进行访问和操作过程。大家在上网的状况下,可以依据代理IP来取代本身的真实IP,那般做有什么益处呢呢:

在线咨询
大客户经理
大客户经理
1829380381
13316264505

大客户经理微信

微信公众号

微信公众号

回到顶部