爬虫潜伏在你身边

随着网络的迅速发展,万维网成为大量信息的载体,如何有效地提取并利用这些信息成为一个巨大的挑战。一开始,互联网还没有搜索。在搜索引擎被开发出来之前,互联网只是文件传输协议(FTP)站点的集合,用户可以在这些站点中导航以找到特定的共享文件。为了查找和组合互联网上可用的分布式数据,人们创建了一个自动化程序,称为网络爬虫,可以抓取互联网上的所有网页,然后将所有页面上的内容复制到数据库中制作索引。

目前我们所使用的搜索引擎作为一个辅助人们检索信息的工具,成为用户访问万维网的入口和指南。其中网络爬虫是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成。(1993年首个基于爬虫技术的网络搜索引擎JumpStation诞生,成为了首个依靠网络爬虫的WWW搜索引擎)

随着万维网数据形式的丰富和网络技术的不断发展,图片、数据库、音频/视频多媒体等不同数据大量出现,互联网变成了一个巨大的数据源,随着数据不断积累,数据源不断丰富,信息越来越容易搜索,但同时不同领域、不同背景的用户往往具有不同的检索目的和需求,通过搜索引擎所返回的结果也包含了越来越多用户并不关心的信息,而通用搜索引擎往往对这些信息含量密集且具有一定结构的数据无能为力,不能很好地发现和获取,有限的搜索引擎服务器资源与无限的网络数据资源之间的矛盾将进一步加深。

为了解决这个问题,定向抓取相关网页资源的聚焦爬虫应运而生。聚焦爬虫是一个自动下载网页的程序,它根据既定的抓取目标,有选择的访问万维网上的网页与相关的链接,获取所需要的信息。与通用爬虫不同,聚焦爬虫并不追求大的覆盖,而将目标定为抓取与某一特定主题内容相关的网页,为面向主题的用户查询准备数据资源。

以聚焦爬虫在互联网金融领域的应用为例,简述聚焦爬虫是如何发挥作用;

互联网金融(ITFIN)是指传统金融机构与互联网企业利用互联网技术和信息通信技术实现资金融通、支付、投资和信息中介服务的新型金融业务模式。在利用这些技术的基础上,首先必须要获取到最基本最必须也是最核心的数据。那么获取数据有很多种办法,比如聚焦爬虫。互联网金融一般都是使用垂直型爬虫(聚焦爬虫的一种),垂直型爬虫关注内容与准确还有效率。比较常见的就是舆情项目,财经项目等。仅仅抓取到有效有用的数据,并且在爬虫 抓取之初就能够把抓取到的内容进行简单的处理,如:提取标题,内容,时间等。

(附加内容)几种互联网金融常用的爬虫架构图:

1、应用场景:获取网络公开信息

2、 应用场景:获取实时信息

3、应用场景:获取部分授权信息

由于与网络爬虫仍处于发展阶段,所以它的发展仍然未定且难以预测。然而,有一件事是肯定的,那就是,只要有互联网,就会有爬虫。

原文发布于微信公众号 - AI机器思维(jiqisiwei)

原文发表时间:2018-12-19

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券