什么是蜘蛛程序(spider)?
蜘蛛也称为机器人，指的是搜索引擎运行的打算机程序，沿着页面上的超链接创造和爬行更多页面，抓取页面内容，关入搜索引擎数据库。
蜘蛛程序便是爬行程序，是搜索引擎的一部分，卖力在互联网上定位和收这样能够相应搜索者的要求，成功的搜索引擎营销取决于爬的网页。
什么是蜘蛛程序通道(spider paths)?
蜘蛛程序通道是用于站点导航的轻松通道，例如站点舆图，分类舆图，国家舆图，或者在关键网页底部的文本链接，蜘蛛通道包括任何能使蜘蛛程序轻松找到你有网页的方法。
什么是蜘蛛程序陷阱(spider trap)?
蜘蛛陷阱指的是由于网站构造的某种特色，使搜索引擎陷入无限循环，无法停滞爬行，最范例的蜘蛛陷阱是某些页面上的万年历，搜索引擎可以一贯单击下一个月陷入无限循环。
蜘蛛程序陷阱是阻挡蜘蛛程序爬些网页显示的技能方法，这些手段能很好地合营浏览器，但对蜘蛛程序就构成了阻碍，蜘蛛陷阱包括Javascript下拉菜单以及有些种类的重定向。
百度蜘蛛的运行事理是什么?
1、通过百度蜘蛛***回来的网页放到补充数据区，通过各种程序打算过后才放到检索区，才会形成稳定的排名，以是说只要***回来的东西都可以通过指令找到，补充数据是不稳定的，有可能在各种打算的过程中给k掉，检索区的数据排名是相比拟较稳定的，百度目 前是缓存机制和补充数据相结合的，正在向补充数据转变，这也是目 前百度收录困难的缘故原由，也是很多站点本日给k了来日诰日又放出来的缘故原由。
2、深度优先和权重优先，百度蜘蛛抓页面的时候从起始站点(即种子站点指的是一些门户站点)是广度优先抓取是为了抓取更多的网址，深度优先抓取的目的是为了抓取高质量的网页，这个策略是由调度来打算和分配的，百度蜘蛛只卖力抓取，权重优先是指反向连接较多的页面的优先抓取，这也是调度的一种策略，一样平常情形下网页抓取抓到40%是正惯例模，60%算很好，100%是不可能的，当然抓取的越多越好。
如何写爬取链接的蜘蛛小程序?
1、打开并读取目标网页内容，可以利用urllib2、request等库;
2、解析网页内容，探求外链的链接地址。可以利用re写正则表达式来处理(类似于抓字段并提取个中的一部分)，也可以通过beautifulsoup等专门的html解析库来处理;
3、从外链地址中提取网站名称。这个该当用re就可以大略办理了;
4、比较这次获取的网站名称、之前存储的网站名称。如果重复，则跳过;如果无重复，则保存这次获取的网站名称。
5、定时输出保存搜索结果。一直循环上述过程，直到达到你的设计目标。
不过须要把稳的是：
1、有一些网站不肯望被爬虫爬取，会留有robot.***文件进行解释。爬虫程序最好尊重别人设定的限定。
2、为了减小对目标网站的访问包袱，建议不要在短韶光内对某一个网站发起大量链接，可以用time.sleep()等办法均衡负载。
以上只是最大略的思路，根据实际任务情形的不同，可能会有很多须要扩展的地方，比如：
1、有一些网站哀求用户验证，须要打开网页时特殊设置;
2、网站编码问题，特殊是正则表达式的编码要和网页编码相同等(特殊是re搜索中文的时候);
3、连接并打开网页是否成功?不堪利应该怎么处理?
4、有一些网页内容可能是通过ajax动态加载的，这可能就须要额外的办理方案了(比如selenimum, phantomJS等等)。
5、有时为了提高抓取效率须要进行多线程扩充，这就涉及到Queue、multithreading等许多额外的库了。
下面是
