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。
7 H! p5 {0 j# }; y; v- x1. 蜘蛛
; v: H( A2 { J$ d( A k 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8 q3 { J A8 R# Z P* ^6 [4 r
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。 E1 O; v: J8 v! C6 j9 _
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。
! ~% {4 E2 `" u( Q' r4 t8 y! Q 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。
9 w4 X* N9 ^( [) D7 V
. G+ @3 |( C( r2. 跟踪链接
& ^1 P+ ?2 m. D0 M# e4 ^2 z 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。2 u* U/ b c! ?, g5 w) ~: {9 B
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。
9 ~- ~2 o1 r [+ l6 d( M. H# [! @
3 i' Z! j4 x7 C, B& 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。1 w7 F# l5 B) H* P9 d3 t
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。- |( m# Z m9 a# r
, @1 ^8 U8 N: W" y, Y* E+ O' u 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。
1 I* \& |5 b; {4 E" ]: S- s [6 k M0 e9 x! i/ c
百度蜘蛛的爬行和抓取
1 M: r) }: K& ]5 I: y+ z) D& K3 t
, H& W& }! u; c6 h8 H/ L4 L 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。
* y: K% c' }0 v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( l9 x" w. i" c) }: D
i
百度蜘蛛的爬行和抓取
5 E8 G3 G6 B. y# U
$ \8 b6 ~% D$ {( A9 ], V4 a
9 {% B' q$ x+ e C5 q 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。
4 J- J" k: g2 l2 o, T 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)。
# d4 v% v; H% U. N$ v6 c' V
4 k* x) e! X3 h; U |
|