转载 Metaseeker简单介绍

MetaSeeker是什么样的网络爬虫

2009-08-09 15:43

MetaSeeker工具包 是一套完整的网页内容抓取、格式化、数据集成、存储管理和搜索解决方案，此文简单介绍一下其网络爬虫的特点：

网络爬虫有多种实现方法，如果按照部署在哪里分，可以分成：

1，服务器侧：一般是一个多线程程序，同时下载多个目标HTML，可以用PHP， Java, Python(当前很流行）等做，可以速度做得很快，一般综合搜索引擎的爬虫这样做。但是，如果对方讨厌爬虫，很可能封掉你的IP，服务器IP又不容易 改，另外耗用的带宽也是挺贵的。建议看一下Beautiful soap。

2，客户端：一般实现定题爬虫，或者是聚焦爬虫，做综合搜索引擎不容易成功，而垂直搜诉或者比价服务或者推荐引擎，相对容易很多，这类爬虫不是什么页面都 取的，而是只取你关系的页面，而且只取页面上关心的内容，例如提取黄页信息，商品价格信息，还有提取竞争对手广告信息的，搜一下Spyfu，很有趣。这类 爬虫可以部署很多，而且可以很有侵略性，对方很难封锁。

MetaSeeker中的网络爬虫就属于后者。

如果从怎样提取数据上分，还可以分成两类，我们只说定题爬虫，普通爬虫要简单的多，网上大把。这两类是：

1，通过正则表达式提取内容，HTML文件就是一个文本文件，直接使用正则表达式在指定地方提取内容即可，指定地方不一定是绝对定位，例如，可以参照HTML的标签定位，更准确

2，利用DOM提取内容，HTML文件先转成DOM数据结构，在遍历这个结构提取内容。

MetaSeeker中的网络爬虫还属于后者。

有人会问，为什么还要用DOM方式，转了一道？有很多原因决定DOM方式的存在理由：

首先，DOM结构的分析都不用自己做，有现成的库，编程并没有变复杂；

第二，可以实现很复杂但是很灵活的定位规则，而正则表达式很难写；

第三，如果定位是要考虑HTML文件结构，用正则表达式不容易解析，HTML文件经常有错，如果将这个任务交给现成的库，要容易很多。

第四，假设还要解析Javascript的内容，正则表达式无能为力了，当然DOM方式自己也无能为力，但是可以利用某个平台的能力，就有可能提取AJAX网站内容。

还有很多原因。MetaSeeker工具包利用Mozilla平台的能力，只要是Firefox看到的东西，它都能提取。

爬虫的变种很多，仅讲这两个方面。

MetaSeeker工具包是免费使用的，下载地址：www.gooseeker.com/cn/node/download/front