阳子SEO博客

从广度优化爬行策略看搜索引擎蜘蛛爬行规则

搜索引擎处理大量的网页。一方面,为了节省带宽、计算和存储资源,另一方面,为了满足用户的搜索需求,有限的资源被用来捕获最有价值的网页,因此搜索引擎在处理大量网页时会有一定的策略。简要介绍了网络爬行的主要策略,如广度优先、深度遍历策略、非重复爬行策略、大站点优先策略、不完全页面排名策略、OCIP策略和协同爬行策略。

深度优先,深度优先遍历策略;广度优先的原因是重要的网页通常靠近种子网站;万维网的深度没有我们想象的那么深,但是出乎意料的深(中国的万维网只有17个直径和长度,也就是说,在任意两个网页之间可以访问17次);多轨迹协同抓取深度优先的不利结果是:容易使轨迹陷入盲区,不宜重复抓取;不应抓住机会;

解决上述两个缺点的方法是深度优先抓取和非重复抓取策略;为了防止爬虫无限期地先抓宽,它必须抓到一定的深度。达到这个深度,即万维网的直径和长度后,限制其程度并停止爬行。当爬行停止在最大深度时,太深而不能爬行的页面总是期望从其他种子站点更经济地到达。

限制抓取深度将破坏无限循环的条件,即使循环发生,也将在有限的次数后停止。评价:宽度优先和深度优先遍历策略能有效保证爬行过程的紧凑性,即在爬行过程(遍历路径)中,同一域名下的网页总是被爬行,而其他域下的网页很少被爬行。

非重复抓取策略保证了变化不大的网页只能抓取一次,避免了重复抓取占用大量的CPU和带宽资源,从而将有限的资源区域集中起来抓取更重要、质量更高的网页。Larser网站的优先级通常是大型网站的高质量内容,网页质量一般较高。从网站的角度来衡量网页的重要性有一定的依据。对于要爬网的网址队列中的页面,下载优先级由等待下载的页面数量决定。

下载页面(不完整互联网页面子集)的部分页面排名策略(部分页面排名)与待抓取的网址队列中的网址组成一组页面,并在集合中计算页面排名;计算后,根据页面排名得分从高到低对网址队列中要抓取的页面进行排序,形成搜索引擎。那是履带缝合。应该依次向下爬行的网址列表。Pagerank是一个全局算法,即当所有页面都被下载时,计算结果是可靠的,但是爬虫在爬行时只能接触到一些页面,所以在爬行时不能进行可靠的pagerank计算,所以称之为不完全pagerank策略。

OCIP策略(在线页面重要性计算)字面意思是“在线页面重要性计算”,它是一种改进的pagerank算法。在算法开始之前,每个网页都被赋予相同的值。当一个页面被下载时,它将自己的值平均分配给页面中包含的链接,同时清除自己的值。对于要爬网的网址队列中的网页,根据现有值的大小,优先下载具有较大值的网页。

协同爬行策略(爬行加速策略)可以通过增加爬行器的数量来提高整体爬行速度,但是需要将工作负载分解到不同的网络爬行器中,以保证分工明确,防止多个爬行器在同一页面上爬行而浪费资源。

通过分解网络主机的IP地址,爬虫只能抓取中小型网站的一个网页片段。出于经济原因,不同的网络服务通常在一台服务器上提供,因此多个域名对应一个IP段;而新浪、搜狐等大型网站通常使用负载均衡的IP地址。向上技术,同一个域名对应多个。IP地址。因此,这种方法不方便。通过分解网页的域名,爬虫只能抓取网页的域名部分,并将不同的域名分配给d

cache
Processed in 0.013534 Second.