眾所周知，隨著計(jì)算機(jī)、互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計(jì)算等網(wǎng)絡(luò)技術(shù)的風(fēng)起云涌，網(wǎng)絡(luò)上的信息呈爆炸式增長(zhǎng)。毋庸置疑，互聯(lián)網(wǎng)上的信息幾乎囊括了社會(huì)、文化、政治、經(jīng)濟(jì)、娛樂(lè)等所有話題。使用傳統(tǒng)數(shù)據(jù)收集機(jī)制（如問(wèn)卷調(diào)查法、訪談法）進(jìn)行捕獲和采集數(shù)據(jù)，往往會(huì)受經(jīng)費(fèi)和地域范圍所限，而且還會(huì)因其樣本容量小、信度低等因素導(dǎo)致收集的數(shù)據(jù)往往與客觀事實(shí)有所偏頗，有著較大的局限性。

網(wǎng)絡(luò)爬蟲(chóng)通過(guò)統(tǒng)一資源定位符URL （Uniform ResourceLocator）來(lái)查找目標(biāo)網(wǎng)頁(yè)，將用戶所關(guān)注的數(shù)據(jù)內(nèi)容直接返回給用戶，并不需要用戶以瀏覽網(wǎng)頁(yè)的形式去獲取信息，為用戶節(jié)省了時(shí)間和精力，并提高了數(shù)據(jù)采集的準(zhǔn)確度，使用戶在海量數(shù)據(jù)中游刃有余。網(wǎng)絡(luò)爬蟲(chóng)的最終目的就是從網(wǎng)頁(yè)中獲取自己所需的信息。雖然利用urllib、urllib2、re等一些爬蟲(chóng)基本庫(kù)可以開(kāi)發(fā)一個(gè)爬蟲(chóng)程序，獲取到所需的內(nèi)容，但是所有的爬蟲(chóng)程序都以這種方式進(jìn)行編寫(xiě)，工作量未免太大了些，所有才有了爬蟲(chóng)框架。使用爬蟲(chóng)框架可以大大提高效率，縮短開(kāi)發(fā)時(shí)間。

網(wǎng)絡(luò)爬蟲(chóng)（web crawler）又稱為網(wǎng)絡(luò)蜘蛛（web spider）或網(wǎng)絡(luò)機(jī)器人（web robot），另外一些不常使用的名字還有螞蟻、自動(dòng)索引、模擬程序或蠕蟲(chóng)，同時(shí)它也是“物聯(lián)網(wǎng)”概念的核心之一。網(wǎng)絡(luò)爬蟲(chóng)本質(zhì)上是一段計(jì)算機(jī)程序或腳本，其按照一定的邏輯和算法規(guī)則自動(dòng)地抓取和下載萬(wàn)維網(wǎng)的網(wǎng)頁(yè)，是搜索引擎的一個(gè)重要組成部分。

網(wǎng)絡(luò)爬蟲(chóng)一般是根據(jù)預(yù)先設(shè)定的一個(gè)或若干個(gè)初始網(wǎng)頁(yè)的URL開(kāi)始，然后按照一定的規(guī)則爬取網(wǎng)頁(yè)，獲取初始網(wǎng)頁(yè)上的URL列表，之后每當(dāng)抓取一個(gè)網(wǎng)頁(yè)時(shí)，爬蟲(chóng)會(huì)提取該網(wǎng)頁(yè)新的URL并放入到未爬取的隊(duì)列中去，然后循環(huán)的從未爬取的隊(duì)列中取出一個(gè)URL再次進(jìn)行新一輪的爬取，不斷的重復(fù)上述過(guò)程，直到隊(duì)列中的URL抓取完畢或者達(dá)到其他的既定條件，爬蟲(chóng)才會(huì)結(jié)束。具體流程如下圖所示。

隨著互聯(lián)網(wǎng)信息的與日俱增，利用網(wǎng)絡(luò)爬蟲(chóng)工具來(lái)獲取所需信息必有用武之地。使用網(wǎng)絡(luò)爬蟲(chóng)來(lái)采集信息，不僅可以實(shí)現(xiàn)對(duì)web上信息的高效、準(zhǔn)確、自動(dòng)的獲取，還利于公司或者研究人員等對(duì)采集到的數(shù)據(jù)進(jìn)行后續(xù)的挖掘分析。