通⽤⽹络爬⾍是捜索引擎抓取系统（Baidu、Google、Yahoo等）的重要组成部分。主要⽬的是将互联⽹上的⽹⻚下载到本地，形成⼀个互联⽹内容的镜像备份。<br/> **通⽤搜索引擎（Search Engine）⼯作原理:** 通⽤⽹络爬⾍ 从互联⽹中搜集⽹⻚，采集信息，这些⽹⻚信息⽤于为搜索引擎 建⽴索引从⽽提供⽀持，它决定着整个引擎系统的内容是否丰富，信息是否即 时，因此其性能的优劣直接影响着搜索引擎的效果。<br/> **第⼀步：抓取网页** 搜索引擎⽹络爬⾍的基本⼯作流程如下： 1. ⾸先选取⼀部分的种⼦URL，将这些URL放⼊待抓取URL队列； 2. 取出待抓取URL，解析DNS得到主机的IP，并将URL对应的⽹⻚下载下来， 存储进已下载⽹⻚库中，并且将这些URL放进已抓取URL队列。 3. 分析已抓取URL队列中的URL，分析其中的其他URL，并且将URL放⼊待抓 取URL队列，从⽽进⼊下⼀个循环.... :-:  通用网络爬虫工作流程图 搜索引擎如何获取⼀个新⽹站的URL： （1）新⽹站向搜索引擎主动提交⽹址：（如百度 http://zhanzhang.baidu.com/linksubmit/url）。 （2）在其他⽹站上设置新⽹站外链（尽可能处于搜索引擎爬⾍爬取范围）。 （3）搜索引擎和DNS解析服务商(如DNSPod等）合作，新⽹站域名将被迅速抓取。<br/> <mark>Robots协议:</mark> Robots协议（也叫爬⾍协议、机器⼈协议等），全称是⽹络爬⾍排除标准（Robots Exclusion Protocol），⽹站通过Robots协议告诉搜索引擎哪些 ⻚⾯可以抓取，哪些⻚⾯不能抓取。 例如： 淘宝⽹：https://www.taobao.com/robots.txt 腾讯⽹： http://www.qq.com/robots.txt Robots协议只是一种君子约定，从技术层面来讲它不具备反爬虫功能。<br/> **第⼆步：数据存储** 搜索引擎通过爬⾍爬取到的⽹⻚，将数据存⼊原始⻚⾯数据库。其中的⻚⾯数 据与⽤户浏览器得到的HTML是完全⼀样的。 <br/> 搜索引擎蜘蛛在抓取⻚⾯时，也做⼀定的重复内容检测，⼀旦遇到访问权重很 低的⽹站上有⼤量抄袭、采集或者复制的内容，很可能就不再爬⾏。<br/> **第三步：预处理** 搜索引擎将爬⾍抓取回来的⻚⾯，进⾏各种步骤的预处理。 * 提取⽂字 * 中⽂分词 * 消除噪⾳（⽐如版权声明⽂字、导航条、⼴告等……） * 索引处理 * 链接关系计算 * 特殊⽂件处理 **第四步：提供检索服务，⽹站排名** 搜索引擎在对信息进⾏组织和处理后，为⽤户提供关键字检索服务，将⽤户检 索相关的信息展示给⽤户。 <br/> 同时会根据⻚⾯的PageRank值（链接的访问量排名）来进⾏⽹站排名，这样 Rank值⾼的⽹站在搜索结果中会排名较前，当然也可以直接使⽤ Money 购买 搜索引擎⽹站排名，简单粗暴。  <br/>