php數(shù)據(jù)庫自動引蜘蛛 php判斷蜘蛛

Web Spider網(wǎng)絡(luò)蜘蛛，是什么意思？

[摘要]當(dāng)“蜘蛛”程序出現(xiàn)時，現(xiàn)代意義上的搜索引擎才初露端倪。它實(shí)際上是一種電腦“機(jī)器人”（Computer Robot），電腦“機(jī)器人”是指某個能以人類無法達(dá)到的速度不間斷地執(zhí)行某項(xiàng)任務(wù)的軟件程序。由于專門用于檢索信息的“機(jī)器人”程序就象蜘蛛一樣在網(wǎng)絡(luò)間爬來爬去，反反復(fù)復(fù)，不知疲倦。所以，搜索引擎的“機(jī)器人”程序就被稱為“蜘蛛”程序。

創(chuàng)新互聯(lián)是一家集網(wǎng)站建設(shè),拱墅企業(yè)網(wǎng)站建設(shè),拱墅品牌網(wǎng)站建設(shè),網(wǎng)站定制,拱墅網(wǎng)站建設(shè)報價,網(wǎng)絡(luò)營銷,網(wǎng)絡(luò)優(yōu)化,拱墅網(wǎng)站推廣為一體的創(chuàng)新建站企業(yè)，幫助傳統(tǒng)企業(yè)提升企業(yè)形象加強(qiáng)企業(yè)競爭力?？沙浞譂M足這一群體相比中小企業(yè)更為豐富、高端、多元的互聯(lián)網(wǎng)需求。同時我們時刻保持專業(yè)、時尚、前沿，時刻以成就客戶成長自我，堅持不斷學(xué)習(xí)、思考、沉淀、凈化自己，讓我們?yōu)楦嗟钠髽I(yè)打造出實(shí)用型網(wǎng)站。

關(guān)鍵詞：網(wǎng)絡(luò)蜘蛛 起源 原理 優(yōu)化

目錄

什么是網(wǎng)絡(luò)蜘蛛

網(wǎng)絡(luò)蜘蛛的起源

網(wǎng)絡(luò)蜘蛛的工作原理

正文開始

1、什么是網(wǎng)絡(luò)蜘蛛

----什么是網(wǎng)絡(luò)蜘蛛呢？網(wǎng)絡(luò)蜘蛛即Web Spider，是一個很形象的名字。把互聯(lián)網(wǎng)比喻成一個蜘蛛網(wǎng)，那么Spider就是在網(wǎng)上爬來爬去的蜘蛛。網(wǎng)絡(luò)蜘蛛是通過網(wǎng)頁的鏈接地址來尋找網(wǎng)頁，從 網(wǎng)站某一個頁面（通常是首頁）開始，讀取網(wǎng)頁的內(nèi)容，找到在網(wǎng)頁中的其它鏈接地址，然后通過這些鏈接地址尋找下一個網(wǎng)頁，這樣一直循環(huán)下去，直到把這個網(wǎng) 站所有的網(wǎng)頁都抓取完為止。如果把整個互聯(lián)網(wǎng)當(dāng)成一個網(wǎng)站，那么網(wǎng)絡(luò)蜘蛛就可以用這個原理把互聯(lián)網(wǎng)上所有的網(wǎng)頁都抓取下來。

----這樣看來，網(wǎng)絡(luò)蜘蛛就是一個爬行程序，一個抓取網(wǎng)頁的程序。

2、網(wǎng)絡(luò)蜘蛛的起源

----要說網(wǎng)絡(luò)蜘蛛的起源，我們還得從搜索引擎說起，什么是搜索引擎呢？搜索引擎的起源是什么，這和網(wǎng)絡(luò)蜘蛛的起源密切相關(guān)。

----搜索引擎指自動從英特網(wǎng)搜集信息，經(jīng)過一定整理以后，提供給用戶進(jìn)行查詢的系統(tǒng)。英特網(wǎng)上的信息浩瀚萬千，而且毫無秩序，所有的信息象汪洋上的一個個小島，網(wǎng)頁鏈接是這些小島之間縱橫交錯的橋梁，而搜索引擎，則為你繪制一幅一目了然的信息地圖，供你隨時查閱。

----搜索引擎從1990年原型初顯，到現(xiàn)在成為人們生活中必不可少的一部分，它經(jīng)歷了太多技術(shù)和觀念的變革。

----十四年前1994年的一月份，第一個既可搜索又可瀏覽的分類目錄EINetGalaxy上線了。在它之后才出現(xiàn)了雅虎，直至我們現(xiàn)在熟知的Google、百度。但是他們都不是第一個吃搜索引擎這個螃蟹的第一人。從搜索FTP上的文件開始，搜索引擎的原型就出現(xiàn)了，那時還未有萬維網(wǎng)，當(dāng)時人們先用手工后用蜘蛛程序搜索網(wǎng)頁，但隨著互聯(lián)網(wǎng)的不斷壯大，怎樣能夠搜集到的網(wǎng)頁數(shù)量更多、時間更短成為了當(dāng)時的難點(diǎn)和重點(diǎn)，成為人們研究的重點(diǎn)。

----搜索引擎原型初顯

----如果要追溯的話，搜索引擎的歷史比WorldWideWeb 還要長。早在Web出現(xiàn)之前，互聯(lián)網(wǎng)上就已經(jīng)存在許多旨在讓人們共享的信息資源了。這些資源當(dāng)時主要存在于各種允許匿名訪問的FTP 站點(diǎn)。為了便于人們在分散的FTP資源中找到所需的東西，1990年，加拿大麥吉爾大學(xué)（McGillUniversity）的幾個大學(xué)生開發(fā)了一個軟件Archie。它是一個可搜索的FTP文件名列表，用戶必須輸入精確的文件名搜索，然后Archie會告訴用戶哪一個FTP地址可以下載這個文件。Archie實(shí)際上是一個大型的數(shù)據(jù)庫，再加上與這個大型數(shù)據(jù)庫相關(guān)聯(lián)的一套檢索方法。Archie雖然還不是搜索引擎,但是從它的工作原理上看，它是所有搜索引擎的祖先。

----當(dāng)萬維網(wǎng)（WorldWideWeb）出現(xiàn)后，人們可以通過 html傳播網(wǎng)頁信息，網(wǎng)絡(luò)上的信息開始成倍增長。人們紛紛使用各種方法將網(wǎng)絡(luò)上的信息搜集來，進(jìn)行分類、整理，以方便查找?，F(xiàn)在人們很熟悉的網(wǎng)站雅虎（Yahoo）就是在這個環(huán)境下誕生的。還在Stanford大學(xué)讀書的美籍華人楊致遠(yuǎn)和他的同學(xué)迷上了互聯(lián)網(wǎng)。他們將互聯(lián)網(wǎng)上有趣的網(wǎng)頁搜集過來，與同學(xué)一起分享。后來，1994年4月，他們倆共同辦了雅虎。隨著訪問量和收錄鏈接數(shù)的增長，雅虎目錄開始支持簡單的數(shù)據(jù)庫搜索。但是因?yàn)檠呕⒌臄?shù)據(jù)是手工輸入的，所以不能真正被歸為搜索引擎，事實(shí)上只是一個可搜索的目錄。

----當(dāng)“蜘蛛”程序出現(xiàn)時，現(xiàn)代意義上的搜索引擎才初露端倪。它實(shí)際上是一種電腦“機(jī)器人”（Computer Robot），電腦“機(jī)器人”是指某個能以人類無法達(dá)到的速度不間斷地執(zhí)行某項(xiàng)任務(wù)的軟件程序。由于專門用于檢索信息的“機(jī)器人”程序就象蜘蛛一樣在網(wǎng)絡(luò)間爬來爬去，反反復(fù)復(fù)，不知疲倦。所以，搜索引擎的“機(jī)器人”程序就被稱為“蜘蛛”程序。

----這種程序?qū)嶋H是利用html文檔之間的鏈接關(guān)系，在Web上一個網(wǎng)頁一個網(wǎng)頁的爬?。╟rawl），將這些網(wǎng)頁抓到系統(tǒng)來進(jìn)行分析，并放入數(shù)據(jù)庫中。第一個開發(fā)出“蜘蛛”程序的是Matthew Gray，他于1993年開發(fā)了World Wide Web Wanderer，它最初建立時是為了統(tǒng)計互聯(lián)網(wǎng)上的服務(wù)器數(shù)量，到后來發(fā)展到能夠捕獲網(wǎng)址。現(xiàn)代搜索引擎的思路就來源于Wanderer，后來很多人在此基礎(chǔ)上對蜘蛛程序進(jìn)行了改進(jìn)。

----1994年7月20日發(fā)布的Lycos網(wǎng)站第一個將 “蜘蛛”程序接入到其索引程序中。引入“蜘蛛”后給其帶來的最大優(yōu)勢就在于其遠(yuǎn)勝于其它搜索引擎的數(shù)據(jù)量。自此之后幾乎所有占據(jù)主導(dǎo)地位的搜索引擎中，都靠“蜘蛛”來搜集網(wǎng)頁信息。Infoseek是另一個重要的搜索引擎，于1994年年底才與公眾見面。起初，Infoseek只是一個不起眼的搜索引擎，它沿襲Yahoo!和Lycos的概念，并沒有什么獨(dú)特的革新。但是它友善的用戶界面、大量附加服務(wù)使它在用戶中贏得了口碑。1995年12月，它與Netscape的戰(zhàn)略性協(xié)議，使它成為一個強(qiáng)勢搜索引擎：當(dāng)用戶點(diǎn)擊Netscape瀏覽器上的搜索按鈕時，彈出Infoseek的搜索服務(wù)，而此前由Yahoo!提供該服務(wù)。 1995年12月15日，Alta Vista正式上線。它是第一個支持高級搜索語法的搜索引擎，成功地整合了此前人類所有的信息檢索技術(shù)，解決了包括字根處理、關(guān)鍵詞檢索、布爾邏輯，以及通過向量空間模型的查詢排名等關(guān)鍵問題。正式公開之前，Alta Vista就已經(jīng)擁有20萬訪問用戶，在短短三個星期之內(nèi)，到訪人數(shù)由每天30萬次增加到200萬次。它的成功在于滿足了用戶三個方面的需求：網(wǎng)上索引范圍超過了此前任何一家搜索引擎；短短幾秒鐘內(nèi)便可從龐大的數(shù)據(jù)庫中為用戶返回搜索結(jié)果；Alta Vista小組從一開始就采用了一種模塊設(shè)計技術(shù)，能夠跟蹤網(wǎng)站的流行趨勢，同時不斷擴(kuò)大處理能力。在當(dāng)時許多搜索引擎之中，Alta Vista脫穎而出，成為網(wǎng)絡(luò)搜索的代名詞。Google就是站在這樣的巨人的肩膀上顛覆并創(chuàng)造著?！吧暇W(wǎng)即搜索” 改變了人們上網(wǎng)方式的，就是現(xiàn)在鼎鼎大名的Google。Google并不是搜索引擎的發(fā)明者，甚至有點(diǎn)落后，但是它卻讓人們愛上了搜索。

----1998年9月，在佩奇和布林創(chuàng)建Google之時，業(yè)界對互聯(lián)網(wǎng)搜索功能的理解是：某個關(guān)鍵詞在一個文檔中出現(xiàn)的頻率越高，該文檔在搜索結(jié)果中的排列位置就要越顯著。這就引出了這樣一個問題，如果一個頁面充斥著某一個關(guān)鍵字的話，那么它將排在很顯著的位置，但這樣一個頁面對于用戶來說，卻沒有任何意義。佩奇和布林發(fā)明了“網(wǎng)頁級別”（PageRank）技術(shù)，來排列搜索結(jié)果。即考察該頁面在網(wǎng)上被鏈接的頻率和重要性來排列，互聯(lián)網(wǎng)上指向這一頁面的重要網(wǎng)站越多，該頁面的位次也就越高。當(dāng)從網(wǎng)頁A鏈接到網(wǎng)頁B時，Google 就認(rèn)為“網(wǎng)頁A投了網(wǎng)頁B一票”。Google根據(jù)網(wǎng)頁的得票數(shù)評定其重要性。然而，除了考慮網(wǎng)頁得票數(shù)的純數(shù)量之外，Google還要分析投票的網(wǎng)頁，“重要”的網(wǎng)頁所投出的票就會有更高的權(quán)重，并且有助于提高其他網(wǎng)頁的“重要性”。 Google以其復(fù)雜而全自動的搜索方法排除了任何人為因素對搜索結(jié)果的影響。沒人能花錢買到更高的網(wǎng)頁級別，從而保證了網(wǎng)頁排名的客觀公正。除此之外，動態(tài)摘要、網(wǎng)頁快照、多文檔格式支持、地圖股票詞典尋人等集成搜索也都深得網(wǎng)民的喜愛。其他眾多搜索引擎也都緊跟Google，推出這些服務(wù)。Fast（Alltheweb）公司發(fā)布的搜索引擎AllTheWeb，總部位于挪威，其在海外的風(fēng)頭直逼Google。Alltheweb的網(wǎng)頁搜索支持Flash和pdf搜索，支持多語言搜索，還提供新聞搜索、圖像搜索、視頻、MP3、和FTP搜索，擁有極其強(qiáng)大的高級搜索功能。而中國的百度更是憑借“更懂中文”而吸引著中國的網(wǎng)絡(luò)受眾，它擁有超過10億的中文網(wǎng)頁數(shù)據(jù)庫，并且，這些網(wǎng)頁的數(shù)量每天正以千萬級的速度在增長。

----搜索引擎越來越成為人們生活中重要的一部分，找資料、查地圖、聽音樂，只有想不到的，沒有搜索不到的。

----搜索引擎的三個基本原理

----1．利用蜘蛛系統(tǒng)程序，自動訪問互聯(lián)網(wǎng)，并沿著任何網(wǎng)頁中的所有URL爬到其它網(wǎng)頁，重復(fù)這過程，并把爬過的所有網(wǎng)頁收集回來。

----2.由分析索引系統(tǒng)程序?qū)κ占貋淼木W(wǎng)頁進(jìn)行分析，提取相關(guān)網(wǎng)頁信息，根據(jù)一定的相關(guān)度算法進(jìn)行大量復(fù)雜計算，得到每一個網(wǎng)頁針對頁面內(nèi)容中及超鏈中每一個關(guān)鍵詞的相關(guān)度（或重要性），然后用這些相關(guān)信息建立網(wǎng)頁索引數(shù)據(jù)庫。

----3.當(dāng)用戶輸入關(guān)鍵詞搜索后，由搜索系統(tǒng)程序從網(wǎng)頁索引數(shù)據(jù)庫中找到符合該關(guān)鍵詞的所有相關(guān)網(wǎng)頁。相關(guān)度數(shù)值排序，相關(guān)度越高，排名越靠前。最后，由頁面生成系統(tǒng)將搜索結(jié)果的鏈接地址和頁面內(nèi)容摘要等內(nèi)容組織起來返回給用戶。

----說到這里，你可能對搜索引擎和網(wǎng)絡(luò)蜘蛛有了一個初步的了解了吧！

3、網(wǎng)絡(luò)蜘蛛的工作原理

----對于搜索引擎來說，要抓取互聯(lián)網(wǎng)上所有的網(wǎng)頁幾乎是不可能的，從目前公布的數(shù)據(jù)來看，容量最大的搜索引擎也不過是抓取了整個網(wǎng)頁數(shù)量的百分之四十左右。這 其中的原因一方面是抓取技術(shù)的瓶頸，無法遍歷所有的網(wǎng)頁，有許多網(wǎng)頁無法從其它網(wǎng)頁的鏈接中找到；另一個原因是存儲技術(shù)和處理技術(shù)的問題，如果按照每個頁 面的平均大小為20K計算（包含圖片），100億網(wǎng)頁的容量是100×2000G字節(jié)，即使能夠存儲，下載也存在問題（按照一臺機(jī)器每秒下載20K計算， 需要340臺機(jī)器不停的下載一年時間，才能把所有網(wǎng)頁下載完畢）。同時，由于數(shù)據(jù)量太大，在提供搜索時也會有效率方面的影響。因此，許多搜索引擎的網(wǎng)絡(luò)蜘 蛛只是抓取那些重要的網(wǎng)頁，而在抓取的時候評價重要性主要的依據(jù)是某個網(wǎng)頁的鏈接深度。

----在抓取網(wǎng)頁的時候，網(wǎng)絡(luò)蜘蛛一般有兩種策略：廣度優(yōu)先和深度優(yōu)先（如下圖所示）。

----廣度優(yōu)先是指網(wǎng)絡(luò)蜘蛛會先抓取起始網(wǎng)頁中鏈接的所有網(wǎng)頁，然后再選擇其中 的一個鏈接網(wǎng)頁，繼續(xù)抓取在此網(wǎng)頁中鏈接的所有網(wǎng)頁。這是最常用的方式，因?yàn)檫@個方法可以讓網(wǎng)絡(luò)蜘蛛并行處理，提高其抓取速度。深度優(yōu)先是指網(wǎng)絡(luò)蜘蛛會從 起始頁開始，一個鏈接一個鏈接跟蹤下去，處理完這條線路之后再轉(zhuǎn)入下一個起始頁，繼續(xù)跟蹤鏈接。這個方法有個優(yōu)點(diǎn)是網(wǎng)絡(luò)蜘蛛在設(shè)計的時候比較容易。兩種策 略的區(qū)別，下圖的說明會更加明確。

----由于不可能抓取所有的網(wǎng)頁，有些網(wǎng)絡(luò)蜘蛛對一些不太重要的網(wǎng)站，設(shè)置了訪問的層數(shù)。例如，在上圖中，A為起始網(wǎng)頁，屬于0層，B、C、D、E、F屬于第1 層，G、H屬于第2層，I屬于第3層。如果網(wǎng)絡(luò)蜘蛛設(shè)置的訪問層數(shù)為2的話，網(wǎng)頁I是不會被訪問到的。這也讓有些網(wǎng)站上一部分網(wǎng)頁能夠在搜索引擎上搜索 到，另外一部分不能被搜索到。對于網(wǎng)站設(shè)計者來說，扁平化的網(wǎng)站結(jié)構(gòu)設(shè)計有助于搜索引擎抓取其更多的網(wǎng)頁。

----網(wǎng)絡(luò)蜘蛛在訪問網(wǎng)站網(wǎng)頁的時候，經(jīng)常會遇到加密數(shù)據(jù)和網(wǎng)頁權(quán)限的問題，有些網(wǎng)頁是需要會員權(quán)限才能訪問。當(dāng)然，網(wǎng)站的所有者可以通過協(xié)議讓網(wǎng)絡(luò)蜘蛛不去抓 ?。ㄏ滦」?jié)會介紹），但對于一些出售報告的網(wǎng)站，他們希望搜索引擎能搜索到他們的報告，但又不能完全免費(fèi)的讓搜索者查看，這樣就需要給網(wǎng)絡(luò)蜘蛛提供相應(yīng)的 用戶名和密碼。網(wǎng)絡(luò)蜘蛛可以通過所給的權(quán)限對這些網(wǎng)頁進(jìn)行網(wǎng)頁抓取，從而提供搜索。而當(dāng)搜索者點(diǎn)擊查看該網(wǎng)頁的時候，同樣需要搜索者提供相應(yīng)的權(quán)限驗(yàn)證。

----每個網(wǎng)絡(luò)蜘蛛都有自己的名字，在抓取網(wǎng)頁的時候，都會向網(wǎng)站標(biāo)明自己的身份。網(wǎng)絡(luò)蜘蛛在抓取網(wǎng)頁的時候會發(fā)送一個請求，這個請求中就有一個字段為User －agent，用于標(biāo)識此網(wǎng)絡(luò)蜘蛛的身份。例如Google網(wǎng)絡(luò)蜘蛛的標(biāo)識為GoogleBot，Baidu網(wǎng)絡(luò)蜘蛛的標(biāo)識為BaiDuSpider， Yahoo網(wǎng)絡(luò)蜘蛛的標(biāo)識為Inktomi Slurp。如果在網(wǎng)站上有訪問日志記錄，網(wǎng)站管理員就能知道，哪些搜索引擎的網(wǎng)絡(luò)蜘蛛過來過，什么時候過來的，以及讀了多少數(shù)據(jù)等等。如果網(wǎng)站管理員發(fā) 現(xiàn)某個蜘蛛有問題，就通過其標(biāo)識來和其所有者聯(lián)系。

----網(wǎng)絡(luò)蜘蛛進(jìn)入一個網(wǎng)站，一般會訪問一個特殊的文本文件Robots.txt，這個文件一般放在網(wǎng)站服務(wù)器的根目錄下，如：[url][/url]。 網(wǎng)站管理員可以通過robots.txt來定義哪些目錄網(wǎng)絡(luò)蜘蛛不能訪問，或者哪些目錄對于某些特定的網(wǎng)絡(luò)蜘蛛不能訪問。例如有些網(wǎng)站的可執(zhí)行文件目錄和 臨時文件目錄不希望被搜索引擎搜索到，那么網(wǎng)站管理員就可以把這些目錄定義為拒絕訪問目錄。Robots.txt語法很簡單，例如如果對目錄沒有任何限 制，可以用以下兩行來描述： User-agent: *

Disallow:

----當(dāng)然，Robots.txt只是一個協(xié)議，如果網(wǎng)絡(luò)蜘蛛的設(shè)計者不遵循這個協(xié)議，網(wǎng)站管理員也無法阻止網(wǎng)絡(luò)蜘蛛對于某些頁面的訪問，但一般的網(wǎng)絡(luò)蜘蛛都會遵循這些協(xié)議，而且網(wǎng)站管理員還可以通過其它方式來拒絕網(wǎng)絡(luò)蜘蛛對某些網(wǎng)頁的抓取。

---- 網(wǎng)絡(luò)蜘蛛在下載網(wǎng)頁的時候，會去識別網(wǎng)頁的HTML代碼，在其代碼的部分，會有META標(biāo)識。通過這些標(biāo)識，可以告訴網(wǎng)絡(luò)蜘蛛本網(wǎng)頁是否需要被抓取，還可 以告訴網(wǎng)絡(luò)蜘蛛本網(wǎng)頁中的鏈接是否需要被繼續(xù)跟蹤。例如：表示本網(wǎng)頁不需要被抓取，但是網(wǎng)頁內(nèi)的鏈接需要被跟蹤。

---- 搜索引擎建立網(wǎng)頁索引，處理的對象是文本文件。對于網(wǎng)絡(luò)蜘蛛來說，抓取下來網(wǎng)頁包括各種格式，包括html、圖片、doc、pdf、多媒體、動態(tài)網(wǎng)頁及其 它格式等。這些文件抓取下來后，需要把這些文件中的文本信息提取出來。準(zhǔn)確提取這些文檔的信息，一方面對搜索引擎的搜索準(zhǔn)確性有重要作用，另一方面對于網(wǎng) 絡(luò)蜘蛛正確跟蹤其它鏈接有一定影響。對于doc、pdf等文檔，這種由專業(yè)廠商提供的軟件生成的文檔，廠商都會提供相應(yīng)的文本提取接口。網(wǎng)絡(luò)蜘蛛只需要調(diào)用這些插件的接口，就可以輕松的提取文檔中的文本信息和文件其它相關(guān)的信息。但HTML等文檔不一樣，HTML有一套自己的語法，通過不同的命令標(biāo)識符來表示不同的字體、顏色、位置等版式，如：、、等， 提取文本信息時需要把這些標(biāo)識符都過濾掉。過濾標(biāo)識符并非難事，因?yàn)檫@些標(biāo)識符都有一定的規(guī)則，只要按照不同的標(biāo)識符取得相應(yīng)的信息即可。但在識別這些信 息的時候，需要同步記錄許多版式信息，例如文字的字體大小、是否是標(biāo)題、是否是加粗顯示、是否是頁面的關(guān)鍵詞等，這些信息有助于計算單詞在網(wǎng)頁中的重要程 度。同時，對于HTML網(wǎng)頁來說，除了標(biāo)題和正文以外，會有許多廣告鏈接以及公共的頻道鏈接，這些鏈接和文本正文一點(diǎn)關(guān)系也沒有，在提取網(wǎng)頁內(nèi)容的時候， 也需要過濾這些無用的鏈接。例如某個網(wǎng)站有“產(chǎn)品介紹”頻道，因?yàn)閷?dǎo)航條在網(wǎng)站內(nèi)每個網(wǎng)頁都有，若不過濾導(dǎo)航條鏈接，在搜索“產(chǎn)品介紹”的時候，則網(wǎng)站內(nèi) 每個網(wǎng)頁都會搜索到，無疑會帶來大量垃圾信息。過濾這些無效鏈接需要統(tǒng)計大量的網(wǎng)頁結(jié)構(gòu)規(guī)律，抽取一些共性，統(tǒng)一過濾；對于一些重要而結(jié)果特殊的網(wǎng)站，還 需要個別處理。這就需要網(wǎng)絡(luò)蜘蛛的設(shè)計有一定的擴(kuò)展性。

---- 對于多媒體、圖片等文件，一般是通過鏈接的錨文本（即，鏈接文本）和相關(guān)的文件注釋來判斷這些文件的內(nèi)容。例如有一個鏈接文字為“張曼玉照片”，其鏈接指 向一張bmp格式的圖片，那么網(wǎng)絡(luò)蜘蛛就知道這張圖片的內(nèi)容是“張曼玉的照片”。這樣，在搜索“張曼玉”和“照片”的時候都能讓搜索引擎找到這張圖片。另 外，許多多媒體文件中有文件屬性，考慮這些屬性也可以更好的了解文件的內(nèi)容。

---- 動態(tài)網(wǎng)頁一直是網(wǎng)絡(luò)蜘蛛面臨的難題。所謂動態(tài)網(wǎng)頁，是相對于靜態(tài)網(wǎng)頁而言，是由程序自動生成的頁面，這樣的好處是可以快速統(tǒng)一更改網(wǎng)頁風(fēng)格，也可以減少網(wǎng) 頁所占服務(wù)器的空間，但同樣給網(wǎng)絡(luò)蜘蛛的抓取帶來一些麻煩。由于開發(fā)語言不斷的增多，動態(tài)網(wǎng)頁的類型也越來越多，如：asp、jsp、php等。這些類型 的網(wǎng)頁對于網(wǎng)絡(luò)蜘蛛來說，可能還稍微容易一些。網(wǎng)絡(luò)蜘蛛比較難于處理的是一些腳本語言（如VBScript和JavaScript）生成的網(wǎng)頁，如果要完 善的處理好這些網(wǎng)頁，網(wǎng)絡(luò)蜘蛛需要有自己的腳本解釋程序。對于許多數(shù)據(jù)是放在數(shù)據(jù)庫的網(wǎng)站，需要通過本網(wǎng)站的數(shù)據(jù)庫搜索才能獲得信息，這些給網(wǎng)絡(luò)蜘蛛的抓 取帶來很大的困難。對于這類網(wǎng)站，如果網(wǎng)站設(shè)計者希望這些數(shù)據(jù)能被搜索引擎搜索，則需要提供一種可以遍歷整個數(shù)據(jù)庫內(nèi)容的方法。

對于網(wǎng)頁內(nèi)容的提取，一直是網(wǎng)絡(luò)蜘蛛中重要的技術(shù)。整個系統(tǒng)一般采用插件的形式，通過一個插件管理服務(wù)程序，遇到不同格式的網(wǎng)頁采用不同的插件處理。這種 方式的好處在于擴(kuò)充性好，以后每發(fā)現(xiàn)一種新的類型，就可以把其處理方式做成一個插件補(bǔ)充到插件管理服務(wù)程序之中。

---- 由于網(wǎng)站的內(nèi)容經(jīng)常在變化，因此網(wǎng)絡(luò)蜘蛛也需不斷的更新其抓取網(wǎng)頁的內(nèi)容，這就需要網(wǎng)絡(luò)蜘蛛按照一定的周期去掃描網(wǎng)站，查看哪些頁面是需要更新的頁面，哪些頁面是新增頁面，哪些頁面是已經(jīng)過期的死鏈接。

---- 搜索引擎的更新周期對搜索引擎搜索的查全率有很大影響。如果更新周期太長，則總會有一部分新生成的網(wǎng)頁搜索不到；周期過短，技術(shù)實(shí)現(xiàn)會有一定難度，而且會 對帶寬、服務(wù)器的資源都有浪費(fèi)。搜索引擎的網(wǎng)絡(luò)蜘蛛并不是所有的網(wǎng)站都采用同一個周期進(jìn)行更新，對于一些重要的更新量大的網(wǎng)站，更新的周期短，如有些新聞 網(wǎng)站，幾個小時就更新一次；相反對于一些不重要的網(wǎng)站，更新的周期就長，可能一兩個月才更新一次。

---- 一般來說，網(wǎng)絡(luò)蜘蛛在更新網(wǎng)站內(nèi)容的時候，不用把網(wǎng)站網(wǎng)頁重新抓取一遍，對于大部分的網(wǎng)頁，只需要判斷網(wǎng)頁的屬性（主要是日期），把得到的屬性和上次抓取的屬性相比較，如果一樣則不用更新。

---- 現(xiàn)在大家對網(wǎng)絡(luò)蜘蛛的工作原理有了初步的了解了吧，了解后就要在以后的網(wǎng)站制作中考慮蜘蛛的爬行規(guī)律，比如制作網(wǎng)站地圖就很重要，好了，如果你有更好的見解，請到這里發(fā)表，火鳥非常愿意與你交流，共同研究網(wǎng)站制作技巧，盡量將自己的網(wǎng)站制作的符合標(biāo)準(zhǔn)，符合用戶的習(xí)慣！

html通過ajax獲取php數(shù)組，打開網(wǎng)頁就自動獲取后端php給的id,name數(shù)據(jù)，怎么寫？

ajax有同步和異步之分，你要打開網(wǎng)頁就獲取到信息，可以采用同步過去，async 設(shè)置為false, 表示同步請求，php 后臺使用json _encode,前臺通過json 接收就可以

求一段PHP代碼 ，判斷百度蜘蛛的來路的

普通用戶與搜索引擎蜘蛛爬行的區(qū)別在于發(fā)送的user agent

百度蜘蛛名字包含Baiduspider, 而google的則是Googlebot, 這樣我們可以通過判斷發(fā)送的user agent來決定要不要取消普通用戶的訪問，編寫函數(shù)如下:

function?isAllowAccess($directForbidden?=?false,$url)?{?

$allowed?=?array('/baiduspider/i',?'/googlebot/i');?

$user_agent?=?$_SERVER['HTTP_USER_AGENT'];?

$valid?=?false;?

foreach?($allowed?as?$pattern)?{?

if?(preg_match($pattern,?$user_agent))?{?

$valid?=?true;?

break;?

}?

}?

if?(!$valid??$directForbidden)?{?

header('location:'.$url);

}??

return?$valid;?

}

望采納 Thx

網(wǎng)頁名稱：php數(shù)據(jù)庫自動引蜘蛛 php判斷蜘蛛
本文地址：http://muchs.cn/article22/hgijjc.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站設(shè)計、網(wǎng)站策劃、企業(yè)建站、虛擬主機(jī)、響應(yīng)式網(wǎng)站、手機(jī)網(wǎng)站建設(shè)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)