佛山網(wǎng)絡(luò)推廣告訴你搜索引擎爬蟲研究與爬去原則
發(fā)布者： 華企立方 發(fā)布時間：2017-3-3 9:55:30
我們先來看一下它的定義：網(wǎng)絡(luò)爬蟲（又被稱為網(wǎng)頁蜘蛛，網(wǎng)絡(luò)機器人，在FOAF社區(qū)中間，更經(jīng)常的稱為網(wǎng)頁追逐者），是一種按照一定的規(guī)則，自動地抓取萬維網(wǎng)信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲。
從以上的定義來看，百度蜘蛛，谷歌機器人都屬于爬蟲的一種，而爬蟲主要是按照一定的規(guī)則，自動抓取信息的腳本或者程序，這個不難理解，有經(jīng)驗的程序員都能夠獨立的編寫出來一套比較完整的蜘蛛程序，用來收集網(wǎng)絡(luò)信息，充實自己的網(wǎng)站。其實很多的信息采集軟件也是采用了這種技術(shù)。
那么我們在來看一下蜘蛛到底進行的什么工作：
每一種類型的資源，都有相應的蜘蛛爬蟲來搜集，當然解析的方式也各不相同。我們經(jīng)常能夠在網(wǎng)站的日志中看到百度的spider和image-spider，不同的爬蟲利用其自身的規(guī)則來對其頁面進行解析。即使是這樣， 我們也能夠看到爬蟲在爬去頁面的時候還是有一定的規(guī)律性的，這種規(guī)律性則是來自于搜索引擎效率最大化的取舍。
-
寬度優(yōu)先遍歷原則：這個原則是從網(wǎng)站自身做起的，根據(jù)網(wǎng)站的層級來抓取。因為我們在做網(wǎng)站的時候都有一個優(yōu)先的考慮，比如我第一個想讓搜索引擎看到的就是首頁，其次的各個目錄頁面，再其次就是內(nèi)容頁面，蜘蛛也是利用這一點來抓取。
-
非完全pagerank排序：這個原則就是利用谷歌的pr值來計算的。因為每一個網(wǎng)頁在谷歌中都會有一個評分，根絕這些評分高低來抓取。如果完全計算就比較耗費計算資源，所以它就采用高pr值的網(wǎng)頁傳遞出來的鏈接肯定都是可靠的。
-
OPIC（online page importance computation在線頁面重要性計算）：這一個原則跟pr值計算相差無幾，在采集的網(wǎng)頁中來計算每一個網(wǎng)頁的重要性，然后在進行優(yōu)先抓取。
-
大站優(yōu)先策略：這個毋庸置疑了。因為大戰(zhàn)比較符合信賴的原則。0 \ c7 W1 |- e5 o
其實我們可以看到，這種原則其實是對抓取的有限性和網(wǎng)頁的無限性的一個折中，即在有限的時間內(nèi)抓取網(wǎng)絡(luò)中更為重要的頁面和資源。當然我們也需要去了解網(wǎng)絡(luò)爬蟲工作的原理，這樣的話更有利于我們?nèi)プ鯯EO優(yōu)化。
文章由：佛山網(wǎng)絡(luò)推廣http://2800kj.cn整理提供
此文關(guān)鍵字：
客服中心
公司地址
QQ客服