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。4 d! E# W5 c7 y6 G
1. 蜘蛛1 R' A4 i. G5 ^, I# y# e* G3 x
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+ l. v& O8 {# H8 z/ r- b* O
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。
2 M' |$ T) L+ N1 q0 _6 x 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。
! r' Z" J5 S* E5 p' { 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。
) m* d m& g# [/ R: L: U% Y- w8 S2 |& \& i; O, k8 |
2. 跟踪链接" Z0 J K$ ]$ R7 m2 @! J3 C
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。
" H/ K4 s' C& K4 ]$ p 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。
2 E) j Y# |. \! `5 ^
" m+ B4 B' _* A- K3 O8 Z 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。
+ P( ^0 m5 a7 x9 Z+ h2 ? 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。
, d( Z5 R/ ^- c& Y) F( l: u
( j% a8 _! g$ H5 U$ O 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$ w, r6 J$ f( a% Y( i
* s( P; J4 `1 s+ P9 K: a7 D
百度蜘蛛的爬行和抓取
! d; b, d" H' [1 y7 ?- w' w/ B& y/ P# l& B: c, h& |- z9 w7 @7 v
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。3 r1 W/ h1 t1 C5 x% F2 M3 E
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8 ^% A( e9 o4 F; n- s, }
i
百度蜘蛛的爬行和抓取
5 g! [- a0 p; b! L, [- G \7 ]3 T
* l f1 Q8 s1 O4 n% B
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。
, z/ ]* D# X5 F2 @ 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）。$ \7 q7 |7 B, Z8 e
# q6 f8 e( }. B7 r6 G b' r |
|
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡