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。
1. 蜘蛛
+ z& b3 l5 w) \9 u( e$ }    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。
8 v0 ~0 n0 p0 B  S8 x- E6 ?  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。
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。
1 q5 j/ t+ k; U; K: ^% _( N  k
2. 跟踪链接
) b* l% F% H/ O6 x0 G' p, w* w1 [, y    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。
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。
' }* G4 u0 p# _! P2 J( L( m
/ b  Q* x2 v7 i& T/ ^   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。
$ }; ]" p) o# B. l
, N, B- Q; r) u9 P   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。
! \4 w0 t" h7 ]; ^7 k1 M' e
2 _6 U) I" n6 h

百度蜘蛛的爬行和抓取

- J& M, u3 E0 @" K   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。
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

$ n, _0 w( Y4 z3 W
7 v& M1 b4 C1 S# M& s( O
# b! r- J1 B7 ^( N& T' \    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。
7 M- I+ ~$ V3 F. }. B  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）。
9 n$ @& w$ w! O

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~~