通用爬虫和聚焦爬虫
通用爬虫是搜索引擎抓取系统 （baidu,goole,yahoo等）的重要组成部分 。
主要目的是将互联网的网页下载到本地 ，形成一个互联网内容的镜像备份。
搜索引擎网络爬虫的基本工作流程如下：
第一步 ：抓取网页
1，首先选取一部分的种子url，并将这些url放进抓取url队列 。
2，取出待抓取url，解析dns得到主机的ip，并将Url对应的网页下载下来
存储进已下载网页库中 ，并且将这些url放进已抓取url队列
3，分析已抓取Url队列中Url,分析其中的其他Url,并将url放入待抓取1Url队列
从而进入下一个循环
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 ，网站通过robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取 。
例如 ：淘宝网：https://www.taobao.com/robots.txt
腾讯网：http:www.qq.com/robots.txt
第二步： 数据存储
搜索引擎通过爬虫爬到的网页，将数据存储入原始页面数据库，其中的页面数据与用户浏览器得到的html是完全一样的
搜索引擎蜘蛛在抓取页面时，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
第三步：预处理
搜索引擎将爬虫抓取回来的页面 ，进行各种步骤的预处理
提取文字
中文分词
清楚噪音（比如版权声明文字，导航条，广告条）
索引处理
连接关系计算
特殊文件处理
除了html文件外 ，搜索引擎通常还能抓取和索引以文字为基础的多种文件类型
如pdf，word，wps,xls,ppt,txt文件等，我们在搜索结果中也经常会看到这些文件类型
但搜索引擎还不能处理图片，视频，flash这类非文字内容，也不能执行脚本和程序
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 ，为用户提供关键检索服务 ，将用户相关的信息展示給用户 。
同时会根据页面的pagerank值（链接的访问量排名）来进行网站排名 。这样rank值高的网站在搜索引擎结果中会排名比较靠前 ，
也可以直接使用Monkey购买搜索引擎网站排名 。
但是这些通用性搜索引擎也存在着一定的局限性：
1，通用搜索引擎所返回的结果都是网页 ，而大多情况下，网页里90%的内容对用户来说都是无用的
聚焦爬虫：
是面向特定主题需求的一种网络爬虫程序 ，它与通用搜索引擎爬虫的区别在于 ，
聚焦爬虫在实施页面抓取时会对内容进行处理筛选，尽量保证只抓取与需求相关的网页信息