搜索引擎爬蟲(chóng)研究與探討

seo過(guò)程中對(duì)于蜘蛛的渴望是非常迫切的，蜘蛛到底是為什么來(lái)怎么來(lái)的我們很困惑，這里我們簡(jiǎn)單探討一下蜘蛛的來(lái)去，或許對(duì)大家有所幫助。

我們先來(lái)看一下它的定義：網(wǎng)絡(luò)爬蟲(chóng)（又被稱為網(wǎng)頁(yè)蜘蛛，網(wǎng)絡(luò)機(jī)器人，在FOAF社區(qū)中間，更經(jīng)常的稱為網(wǎng)頁(yè)追逐者），是一種按照一定的規(guī)則，自動(dòng)地抓取萬(wàn)維網(wǎng)信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動(dòng)索引、模擬程序或者蠕蟲(chóng)。

從以上的定義來(lái)看，百度蜘蛛，谷歌機(jī)器人都屬于爬蟲(chóng)的一種，而爬蟲(chóng)主要是按照一定的規(guī)則，自動(dòng)抓取信息的腳本或者程序，這個(gè)不難理解，有經(jīng)驗(yàn)的程序員都能夠獨(dú)立的編寫出來(lái)一套比較完整的蜘蛛程序，用來(lái)收集網(wǎng)絡(luò)信息，充實(shí)自己的網(wǎng)站。其實(shí)很多的信息采集軟件也是采用了這種技術(shù)。

那么我們?cè)趤?lái)看一下蜘蛛到底進(jìn)行的什么工作：

每一種類型的資源，都有相應(yīng)的蜘蛛爬蟲(chóng)來(lái)搜集，當(dāng)然解析的方式也各不相同。我們經(jīng)常能夠在網(wǎng)站的日志中看到百度的spider和image-spider，不同的爬蟲(chóng)利用其自身的規(guī)則來(lái)對(duì)其頁(yè)面進(jìn)行解析。即使是這樣， 我們也能夠看到爬蟲(chóng)在爬去頁(yè)面的時(shí)候還是有一定的規(guī)律性的，這種規(guī)律性則是來(lái)自于搜索引擎效率最大化的取舍。

寬度優(yōu)先遍歷原則：這個(gè)原則是從網(wǎng)站自身做起的，根據(jù)網(wǎng)站的層級(jí)來(lái)抓取。因?yàn)槲覀冊(cè)谧鼍W(wǎng)站的時(shí)候都有一個(gè)優(yōu)先的考慮，比如我第一個(gè)想讓搜索引擎看到的就是首頁(yè)，其次的各個(gè)目錄頁(yè)面，再其次就是內(nèi)容頁(yè)面，蜘蛛也是利用這一點(diǎn)來(lái)抓取。

非完全pagerank排序：這個(gè)原則就是利用谷歌的pr值來(lái)計(jì)算的。因?yàn)槊恳粋€(gè)網(wǎng)頁(yè)在谷歌中都會(huì)有一個(gè)評(píng)分，根絕這些評(píng)分高低來(lái)抓取。如果完全計(jì)算就比較耗費(fèi)計(jì)算資源，所以它就采用高pr值的網(wǎng)頁(yè)傳遞出來(lái)的鏈接肯定都是可靠的。

OPIC（online page importance computation在線頁(yè)面重要性計(jì)算）：這一個(gè)原則跟pr值計(jì)算相差無(wú)幾，在采集的網(wǎng)頁(yè)中來(lái)計(jì)算每一個(gè)網(wǎng)頁(yè)的重要性，然后在進(jìn)行優(yōu)先抓取。

大站優(yōu)先策略：這個(gè)毋庸置疑了。因?yàn)榇髴?zhàn)比較符合信賴的原則。

其實(shí)我們可以看到，這種原則其實(shí)是對(duì)抓取的有限性和網(wǎng)頁(yè)的無(wú)限性的一個(gè)折中，即在有限的時(shí)間內(nèi)抓取網(wǎng)絡(luò)中更為重要的頁(yè)面和資源。當(dāng)然我們也需要去了解網(wǎng)絡(luò)爬蟲(chóng)工作的原理，這樣的話更有利于我們?nèi)プ?a href="http://gongsusy.com" target="_blank" class="keylink">SEO優(yōu)化。

說(shuō)明：本欄目文章整理自互聯(lián)網(wǎng)，有侵犯權(quán)益的地方請(qǐng)聯(lián)系站長(zhǎng)刪除。