91网首页-91网页版-91网在线观看-91网站免费观看-91网站永久视频-91网站在线播放

搜索引擎的處理對(duì)象是互聯(lián)網(wǎng)網(wǎng)頁(yè)，日前網(wǎng)頁(yè)數(shù)量以百億計(jì)，所以搜索引擎首先面臨的問(wèn)題就是：如何能夠設(shè)計(jì)出高效的下載系統(tǒng)，以將如此海量的網(wǎng)頁(yè)數(shù)據(jù)傳送到本地，在本地形成互聯(lián)網(wǎng)網(wǎng)頁(yè)的鏡像備份。

網(wǎng)絡(luò)爬蟲(chóng)即起此作用，它是搜索引擎系統(tǒng)中很關(guān)鍵也根基礎(chǔ)的構(gòu)件。這里主要介紹與網(wǎng)絡(luò)爬蟲(chóng)相關(guān)的技術(shù)，盡管爬蟲(chóng)技術(shù)經(jīng)過(guò)幾十年的發(fā)展，從整體框架上已相對(duì)成熟，但隨著聯(lián)網(wǎng)的不斷發(fā)展，也面臨著一些有挑戰(zhàn)性的新問(wèn)題。

下圖所示是一個(gè)通用的爬蟲(chóng)框架流程。首先從互聯(lián)網(wǎng)頁(yè)面中精心選擇一部分網(wǎng)頁(yè)，以這些網(wǎng)頁(yè)的鏈接地址作為種子URL，將這些種子URL放入待抓取URL隊(duì)列中，爬蟲(chóng)從待抓取URL隊(duì)列依次讀取，并將URL通過(guò)DNS解析，把鏈接地址轉(zhuǎn)換為網(wǎng)站服務(wù)器對(duì)應(yīng)的IP地址。

然后將其和網(wǎng)頁(yè)相對(duì)路徑名稱(chēng)交給網(wǎng)頁(yè)下載器，網(wǎng)頁(yè)下載器負(fù)責(zé)頁(yè)面內(nèi)容的下載。對(duì)于下載到本地的網(wǎng)頁(yè)，一方面將其存儲(chǔ)到頁(yè)面庫(kù)中，等待建立索引等后續(xù)處理;另一方面將下載網(wǎng)頁(yè)的URL放入已抓取URL隊(duì)列中，這個(gè)隊(duì)列記載了爬蟲(chóng)系統(tǒng)已經(jīng)下載過(guò)的網(wǎng)頁(yè)URL，以避免網(wǎng)頁(yè)的重復(fù)抓取。對(duì)于剛下載的網(wǎng)頁(yè)，從中抽取出所包含的所有鏈接信息，并在已抓取URL隊(duì)列中檢查，如果發(fā)現(xiàn)鏈接還沒(méi)有被抓取過(guò)，則將這個(gè)URL放入待抓取URL隊(duì)列末尾，在之后的抓取調(diào)度中會(huì)下載這個(gè)URL對(duì)應(yīng)的網(wǎng)頁(yè)。如此這般，形成循環(huán)，直到待抓取URL隊(duì)列為審，這代表著爬蟲(chóng)系統(tǒng)已將能夠抓取的網(wǎng)頁(yè)盡數(shù)抓完，此時(shí)完成了一輪完整的抓取過(guò)程。

對(duì)于爬蟲(chóng)來(lái)說(shuō)，往往還需要進(jìn)行網(wǎng)頁(yè)去重及網(wǎng)頁(yè)反作弊。

上述是一個(gè)通用爬蟲(chóng)的整體流程，如果從更加宏觀的角度考慮，處于動(dòng)態(tài)抓取過(guò)程中的爬蟲(chóng)和互聯(lián)網(wǎng)所有網(wǎng)頁(yè)之間的關(guān)系，可以大致像如圖2-2所身那樣，將互聯(lián)網(wǎng)頁(yè)面劃分為5個(gè)部分：

1.已下載網(wǎng)頁(yè)集合：爬蟲(chóng)已經(jīng)從互聯(lián)網(wǎng)下載到本地進(jìn)行索引的網(wǎng)頁(yè)集合。

2.已過(guò)期網(wǎng)頁(yè)集合：由于網(wǎng)頁(yè)數(shù)最巨大，爬蟲(chóng)完整抓取一輪需要較長(zhǎng)時(shí)間，在抓取過(guò)程中，很多已經(jīng)下載的網(wǎng)頁(yè)可能過(guò)期。之所以如此，是因?yàn)榛ヂ?lián)網(wǎng)網(wǎng)頁(yè)處于不斷的動(dòng)態(tài)變化過(guò)程中，所以易產(chǎn)生本地網(wǎng)頁(yè)內(nèi)容和真實(shí)互聯(lián)網(wǎng)網(wǎng)頁(yè)不一致的情況。

3.待下載網(wǎng)頁(yè)集合：即處于上圖中待抓取URL隊(duì)列中的網(wǎng)頁(yè)，這些網(wǎng)頁(yè)即將被爬蟲(chóng)下載。

4.可知網(wǎng)頁(yè)集合：這些網(wǎng)頁(yè)還沒(méi)有被爬蟲(chóng)下載，也沒(méi)有出現(xiàn)在待抓取URL隊(duì)列中，不過(guò)通過(guò)已經(jīng)抓取的網(wǎng)頁(yè)或者在待抓取URL隊(duì)列中的網(wǎng)頁(yè)，總足能夠通過(guò)鏈接關(guān)系發(fā)現(xiàn)它們，稍晚時(shí)候會(huì)被爬蟲(chóng)抓取并索引。

5.不可知網(wǎng)頁(yè)集合：有些網(wǎng)頁(yè)對(duì)于爬蟲(chóng)來(lái)說(shuō)是無(wú)法抓取到的，這部分網(wǎng)頁(yè)構(gòu)成了不可知網(wǎng)頁(yè)集合。事實(shí)上，這部分網(wǎng)頁(yè)所占的比例很高。

根據(jù)不同的應(yīng)用，爬蟲(chóng)系統(tǒng)在許多方面存在差異，大體而言，可以將爬蟲(chóng)劃分為如下三種類(lèi)型:

1. 批量型爬蟲(chóng)（Batch Crawler）：批量型爬蟲(chóng)有比較明確的抓取范圍和目標(biāo)，當(dāng)爬蟲(chóng)達(dá)到這個(gè)設(shè)定的目標(biāo)后，即停止抓取過(guò)程。至于具體目標(biāo)可能各異，也許是設(shè)定抓取一定數(shù)量的網(wǎng)頁(yè)即可，也許是設(shè)定抓取消耗的時(shí)間等。

2.增量型爬蟲(chóng)（Incremental Crawler）：增量型爬蟲(chóng)與批量型爬蟲(chóng)不同，會(huì)保持持續(xù)不斷的抓取，對(duì)于抓取到的網(wǎng)頁(yè)，要定期更新，因?yàn)榛ヂ?lián)網(wǎng)的網(wǎng)頁(yè)處于不斷變化中，新增網(wǎng)頁(yè)、網(wǎng)頁(yè)被刪除或者網(wǎng)頁(yè)內(nèi)容更改都很常見(jiàn)，而增量型爬蟲(chóng)需要及時(shí)反映這種變化，所以處于持續(xù)不斷的抓取過(guò)程中，不是在抓取新網(wǎng)頁(yè)，就是在更新已有網(wǎng)頁(yè)。通用的商業(yè)搜索引擎爬蟲(chóng)基本都屬此類(lèi)。

3.垂直型爬蟲(chóng)(Focused Crawter）：垂直型爬蟲(chóng)關(guān)注特定主題內(nèi)容或者屬于特定行業(yè)的網(wǎng)頁(yè)，比如對(duì)于健康網(wǎng)站來(lái)說(shuō)，只需要從互聯(lián)網(wǎng)頁(yè)而里找到與健康相關(guān)的頁(yè)面內(nèi)容即可，其他行業(yè)的內(nèi)容不在考慮范圍。垂直型爬蟲(chóng)一個(gè)最大的特點(diǎn)和難點(diǎn)就是：如何識(shí)別網(wǎng)頁(yè)內(nèi)容是否屬于指定行業(yè)或者主題。從節(jié)省系統(tǒng)資源的角度來(lái)說(shuō)，不太可能把所有互聯(lián)網(wǎng)頁(yè)面下載下來(lái)之后再去篩選，這樣浪費(fèi)資源就太過(guò)分了，往往需要爬蟲(chóng)在抓取階段就能夠動(dòng)態(tài)識(shí)別某個(gè)網(wǎng)址是否與主題相關(guān)，并盡量不去抓墩無(wú)關(guān)頁(yè)面，以達(dá)到節(jié)省資源的目的。垂直搜索網(wǎng)站或者垂直行業(yè)網(wǎng)站往往需要此種類(lèi)型的爬蟲(chóng)。