百度蜘蛛的爬行和抓取

爬行和抓取是搜索引擎工作的第一步，完成数据收集的任务。
* p+ O7 J" ?2 R1. 蜘蛛
7 L. N9 [1 `4 b4 P    搜索引擎用来爬行和访问而面的程序被称为蜘蛛，也称为机器人
搜索引擎蜘蛛访问网站页面时类似于普通用户使用的浏览器，蜘蛛程序发出页面访问请求后，服务器返回HTML代码，蜘蛛程序把收到的代码存入原始页面数据库，搜索引擎为了提高爬行和抓取速度，都使用多个蜘蛛并发布爬行。
  蜘蛛访问任何一个网站时，都会先访问网站根目录下的robots.txt文件，如果robots.txt文件禁止搜索引擎抓取某些文件或目录，蜘蛛将遵守协议，不抓取被禁止访问的网址。
, U  d$ n) ]: T5 ?, B 和浏览器一样，搜索引擎蜘蛛也有标明自已身分的代理名称，站长可以在日志文件中看到搜索引擎的特定代理名称，从而辩别搜索引擎蜘蛛。

2. 跟踪链接
$ e5 |. J& U  V    为了抓取网上尽量多的页面，搜索引擎蜘蛛会跟踪页面上的链接，从一个页面爬到下一个页面，就好像蜘蛛在蜘蛛网上爬行那样，这也就是搜索引擎蜘蛛这个名称的由来。
3 u9 B* _" P4 T9 [6 ~6 c 整个互联网是由相互链接的网站及页面组成的。从理论上来说 ，蜘蛛从任何一个页面出发，顺着链接都可以爬行到网上的所有页面，当然，由于网站及页面链接结构异常复杂，蜘蛛需要采取一定的爬行策略才能遍历网上所有的页面。
* s! {" S0 t* ]
7 F* Y2 _" j7 E5 c1 S3 C7 u' W   最简单的爬行遍历策略分为两种，一种是深度优先，另一种是广度优先。
   所谓深度优先，指的是蜘蛛沿着发现的链接一直向前爬行，直到前面再也没有其他链接，然后返回到第一页面，沿着另一个链接一直往前爬行。
6 a3 f4 s7 E5 U1 w
4 S  T+ h) Z6 D) ~9 E   如果2－20所示，蜘蛛跟踪链接，从A页面爬行到A1.A2.A3.A4.到A4页面后，已经没有其它链接可以跟踪就返回A页面，顺着页面上的另一个链接，爬行到B1,B2.B3.B4.在深度优先策略中，蜘蛛一直爬到无法再向前，才返回爬另一条线。

! E; P) l6 \. _" ~/ s7 ^; |

百度蜘蛛的爬行和抓取

+ }0 u+ S3 `9 Y: M7 h  h. z
* |5 w1 [- b6 R3 K4 e2 G3 m   广度优先是指蜘蛛在一个页面上发现多个链接旮，不是顺着一个链接姨直向前，而是把页面上所有第一层链接都爬一遍，然后再沿着第二层页面上发现的链接爬向第三层页面。
! O/ i  M* U! D$ R. a: X& r5 G如图2－21所示，蜘蛛从A页面顺着链接爬行到A1,B1,C1页面，直到A1页面上的所有链接都爬行完，然后再从A1页面发现的下一层链接，爬行到A2.A3.A4.……。页面
i

百度蜘蛛的爬行和抓取

) T" L% k" p8 w4 N, }  X# C
8 x; o2 r; b0 T' H/ r4 I. {. K# d
    从理论上来说，无论是深度优先还是广度优先，只要给蜘蛛足够的时间，都能爬完整个互联网。在实际工作中，蜘蛛的带宽资源，时间都不是无限的，也不可能爬完所有的页面。实际上最大的搜索引擎也只是爬行和收录了互联网的一小部分。
' g1 `$ C) I# h1 m9 U2 K  深度优先和广度优先通常是混合使用的，这样即可以照顾到尽量多的网站（广度优先），也能照顾到一部分网站的内页（深度优先）。
3 L0 O" b- a. o) f  E
+ \% S, ?, H, H6 W. k5 O3 ~

今天没事来逛逛

正好你开咯这样的帖

哈哈 小心被她看见哦~~~~

我在顶贴~！~

注:偶是女滴,千真万确,毋庸置疑!

终于看完了~~~

哈哈 ok ~~~

哎 怎么说那~~