java爬虫技术—内功修炼之网络爬虫爬取流程（四）

    看着下面的小奇和一张张求知若渴的表情，对未知充满了好奇，又想起当年的自己不也是这样吗，长老也是满脸的欣慰，继续开始自己的讲解，下面说说数据爬取的流程。

    数据爬取主要分四个步骤：爬取对象准备-->页面数据抓取-->数据解析处理-->数据持久存储。

    爬取对象准备：即数据爬取的入口，也就是我们要爬取的种子URL，把需要爬取的URL统一的放到一个指定的集合中等待分配爬取。

    URL队列：在爬取一个页面的URL时，如果发现新的URL，重新放入到待爬取的URL队列中。

    

URL去重：对于放入的URL进行去重，如果队列中已经有该URL，则去除重复URL，避免重复爬取。

URL去重的方式：存储于内存或者缓存服务器中进行去重，常见的有布隆过滤，redis数据库去重等。

                                      

网页数据抓取： 网页数据抓取，即网页下载。通过网页抓取工具Jsoup，HttpClient等，下载URL队列中的目标网页，把下载的网页中需要的内容抓取出来进行处理。内容的处理的方式：1.无需存储，进行实时分析处理 ，2.需要存储，结构化分布式存储（hadoop分布式存储等）

数据解析处理：根据采集规则进行数据解析，主要是把非结构化数据转换为结构化数据。常用的解析工具： Xpath解析、Jsoup选择器解析、HtmlUtil动态解析、Selenium自动化工具等。

数据持久存储：数据持久存储主要是针对经过解析，去重，去燥，检索之后的结构化数据进行存储。

数据去燥：通过数据挖掘，把垃圾过滤掉，以保证数据可用性。

数据去重：判断数据在数据库中是否已经存在，进行数据去重。通常数据去重针对文本类型的数据，采用simhahs算法进行判断。

数据存储：对分析后的数据进行结构化处理,数据存储的三种方式：1.分布式nosql数据库（redis/mongdb/hbase），2.关系型分布式数据库（mysql/oracle等），3.索引存储（elasticsearch/solr等）等。

数据爬取流程图解：

                                     

    “好了，基础理论知识就讲解到这里，接下来就会讲解网络爬虫技术的实战了，下去好好的巩固一下今天的知识，为下一次的学习做好准备”。说完，长老看了看小奇及一些意犹未尽的弟子，自顾离开了。

 更多视频java爬虫视频课程：https://edu.youkuaiyun.com/course/detail/20623/258631