搜索引擎蜘蛛的爬取过程以及策略

       搜索引擎蜘蛛每天是怎么样去爬取我们的网的呢？针对这些你有多少的了解？ 那搜索引擎蜘蛛的爬取过程又是怎么样的呢？在搜索引擎蜘蛛系统中，待爬取URL队列是很关键的部分，需要蜘蛛爬取的网页URL在其中顺序排列，形成一个队 列结构，调度程序每次从队列头取出某个URL，发送给网页下载器页面内容，每个新下载的页面包含的URL会追加到待爬取URL队列的末尾，如此形成循环， 整个爬虫系统可以说是由这个队列驱动运转的。同样我们的网站每天都要经过这样一个队列，让搜索引擎进行爬取的。

　　那么待爬取URL 队列中的页面URL 的排列顺序是如何来确定的呢？上面我们说了将新下载页面中的包含的链接追加到队列尾部，这固然是一种确定队列URL顺序的方法，但并非唯一的手段，事实 上，还可以采纳很多其他技术来实现，将队列中待爬取的URL进行排序。那么究竟搜索引擎蜘蛛是按照什么样的策略进行的爬取呢？以下我们来进行更深入的分析 吧。

　　第一、宽度优化遍历策略

　　宽度优化遍历是一种非常简单直观且历史很悠久的遍历方法，在搜索引擎爬虫一出现就开始采 用了。新提出的抓取策略往往会将这种方法作为比较基准，但应该注意到的是，这种策略也是一种相当强悍的方法，很多新方法实际效果不见昨比宽度优化遍历策略 好，所以至今这种方法也是很多实际爬虫系统优先采用的爬取策略。网页爬取顺序基本是按照网页的重要性排序的。之所以如此，有研究人员认为，如果某个网页包 含很多入链，那么更有可能被宽度优化遍历策略早早爬到，而入链这个数从侧面体现了网页的重要性，即实际上宽度优化遍历策略隐含了一些网页优化级假设。

　　第二、非完全pagerank策略

　 　PageRank是一种著名的链接分析算法，可以用来衡量网页的重要性。很自然地，可以想到用PageRank的思想来对URL优化级进行排序。但是这 里有个问题，PageRank是个全局性算法，也就是说当所有网页下载完成后，其计算结果才是可靠的，而爬虫的目的就是去下载网页，在运行过程中只能看到 一部分页面，所以在爬取阶段的网页是无法获得可靠的PageRank得分的。对于已经下载的网页，加上待爬取的URL队列中的一URL一起，形成网页集 合，在此集合内进行PageRank计算，计算完成之后，将待爬取URL队列里的网页按照按照PageRank得分由高低排序，形成的序列就是爬虫接下来 应该依次爬取的URL列表。这也是为何称之为“非完全PageRank”的原因，。

　　第三、OPIC策略( Online Page Importance Computation)

　 　OPIC的字面含义是“在线页面重要性计算”，可以将其看做是一种改进的PageRank算法。在算法开始之前，每个互联网页面都给予相同的现金，每当 下载了某个页面P后，P就将自己拥有的现金平均分配给页面中包含的链接页面，氢自己的现金清空。而对于待爬取URL队列中的网页，则根据其手头拥有的现金 金额多少排序，优先下载现金最充裕的网页，OPIC从大的框架上与PageRank思路基本一致，区别在于：PageRank每次需要迭代计算，而 OPIC策略不需要迭代过程。所以计算速度远远快与PageRank，适合实时 计算使用。同时，PageRank，在计算时，存在向无链接关系网页的远程跳转过程，而OPIC没有这一计算因子。实验结果表明，OPIC是较好的重要性 衡量策略，效果略优于宽度优化遍历策略。

　　第四、大站优化策略

　　大部优化策略思路很直接：以网站为单位来选题网页重要 性，对于待爬取URL队列中的网页根据所属网站归类，如果哪个网站等待下载的页面最多，则优化先下载这些链接，其本质思想倾向于优先下载大型网站。因为大 型网站往往包含更多的页面。鉴于大型网站往往是著名企业的内容，其网页质量一般较高，所以这个思路虽然简单，但是有一定依据。实验表明这个算法效果也要略 优先于宽度优先遍历策略。

　　第五、网页更新策略

　　互联网的动态是其显著特征，随时都有新出现的页面，页面的内容被更改或 者本来存在的页面删除。对于爬虫来说，并非将网页抓取到本地就算完成任务，也要体现出互联网这种动态性。本地下载的网页可被看做是互联网页的镜像，爬虫要 尽可能保证其一致性。可以假设一种情况：某 个网页已被删除或者内容做出重大变动，而搜索引擎对此惘然无知，仍然按其旧有内容排序，将其作为搜索结果提供给用记，其用户体验度之糟糕不言而喻。所以对 于已经爬取的网页，爬虫还要负责保持其内容和互联网页面内容的同步，这取决于爬虫所彩用的网页更新策略。网页更新策略的任务是要决定何时重新爬取之前已经 下载过和网页，以尽可能使得本地下载网页和互联网原始页面内容保持一致。常用的网页更新策略有三种：历史参考策略，用户体验度策略和聚类抽样策略。

　　（1）什么是历史参考策略？

　　历史参考策略是最直观的一种更新策略，它建立于如下假设之上：过去频繁更新的网页，那么将来也会频繁更新，所以为了预估某个网页何时进行更新，可以通过参考其历史更新情况来做出决定。

　　从这一点可以看出，我们网站的更新一定要有规律的进行，这样才能让搜索引擎蜘蛛更好的来关注你的网站，把握你的网站，很多人在更新网站的时候，不知道为什么要做规律性的更新，这就是真正存在的原因。

　　（2）什么是用户体验度策略？

　　这个很明显，大家都知道。一般来说，搜索引擎用户提交查询结果后，相关的搜索结果可能成千上万，而用户没有耐心去查看排在后面的搜索结果，往往只盾前三页搜索内容，用户体验策略就是利用搜索引擎用户的这个特点来设计更新策略的。

　　（3）聚类抽样策略

　 　上面介绍的两种网页更新策略严重依赖网页的历史更新信息，因为这是能够进行后续计算的基础。但在现实中为每个网页保存历史信息，搜索系统会增加 额外的负担。从另外一个角度考虑，如果是首次爬取的网页，因为没有历史信息，所以也就无法按照这两种思路去预估其更新周期，聚类抽样，策略即是为了解决上 述缺点而提出的。网页一般具有一些属性，根据这些属性可以预测其更新周期，具有相信属性的网页，其更新周期也是类似的。

　　通过以上对搜索 引擎蜘蛛的爬取过程以及爬取策略进行了简单的了解之后，你是否应该有些考虑了？试着对自己的网站进行改变了？以上的一些原因说明了搜索引擎的更新是有规律 以及有章法进行的，要想更能适应搜索引擎的更新原则和蜘蛛爬取原则，我们就应该从更基础的入手去进行全面的分析和总结。

 

转自：http://www.enet.com.cn/article/2013/0403/A20130403273465.shtml