分析百度蜘蛛是如何爬行抓取頁面

每個搜索引擎都有一套pagerank(指頁面權(quán)重，非google PR)計算方法，并且經(jīng)常會更新?；ヂ?lián)網(wǎng)近乎無窮大，每天都會產(chǎn)生海量的新鏈接。搜索引擎對于鏈接權(quán)重的計算只能是非完全遍歷。為什么Google PR要三個月左右才更新一次為什么百度大更新一個月1-2兩次這就是因為搜索引擎采用了非完全遍歷鏈接權(quán)重算法來計算鏈接權(quán)重。其實按照目前的技術(shù)，實現(xiàn)更快頻率的權(quán)重更新并不難，計算速度以及存儲速度完全跟得上，但為什么不去做因為沒那么必要，或者已經(jīng)實現(xiàn)了，但不想公布出來。那，什么是非完全遍歷鏈接權(quán)重計算我們將K數(shù)量的鏈接形成一個集合，R代表鏈接所獲得的pagerank，S代表鏈接所包含的鏈接數(shù)量，Q代表是否參與傳遞，β代表阻尼因數(shù)，那么鏈接所獲得的權(quán)重計算公式為。

從公式 里可以發(fā)現(xiàn)，決定鏈接權(quán)重的是Q，如果鏈接被發(fā)現(xiàn)作弊，或者搜索引擎人工清除，或者其他原因，Q被設為0，那么再多的外鏈都沒用。β是阻尼因數(shù)，主要作用是防止權(quán)重0的出現(xiàn)，導致鏈接無法參與權(quán)重傳遞，以及防止作弊的出現(xiàn)。阻尼因數(shù)β一般為0.85。為什么會在網(wǎng)站數(shù)量上乘以阻尼因數(shù)因為一個頁面內(nèi)并非所有的頁面都參與權(quán)重傳遞，搜索引擎會將已經(jīng)過濾過的鏈接再度剔除15%。

但這種非完全遍歷權(quán)重計算需要積累到一定數(shù)量的鏈接后才能再次開始計算，所以一般更新周期比較慢，無法滿足用戶對即時信息的需求。所以在此基礎(chǔ)上，出現(xiàn)了實時權(quán)重分配抓取策略。即當蜘蛛完成抓取頁面并入口后，馬上進行權(quán)重分配，將權(quán)重重新分配待抓取鏈接庫，然后蜘蛛根據(jù)權(quán)重高低來進行抓取。

我們都知道，大部分網(wǎng)站都是按照樹狀圖來完成頁面分布的，那么在一個樹狀圖的鏈接結(jié)構(gòu)中，哪些頁面會被優(yōu)先抓取呢為什么要優(yōu)先抓取這些頁面呢寬度優(yōu)先抓取策略就是按照樹狀圖結(jié)構(gòu)，優(yōu)先抓取同級鏈接，待同級鏈接抓取完成后，再抓取下一級鏈接。大家可以發(fā)現(xiàn)，我在表述的時候，使用的是鏈接結(jié)構(gòu)而不是網(wǎng)站結(jié)構(gòu)。這里的鏈接結(jié)構(gòu)可以由任何頁面的鏈接構(gòu)成，并不一定是網(wǎng)站內(nèi)部鏈接。這是一種理想化的寬度優(yōu)先抓取策略，在實際的抓取過程中，不可能想這樣完全寬度優(yōu)先，而是有限寬度優(yōu)先。社會工程學策略，就是在蜘蛛抓取的過程中，加入人工智能，或者通過人工智能培訓出來的機器智能，來確定抓取的優(yōu)先度。目前我已知的抓取策略有：

a、熱點優(yōu)先策略：對于爆發(fā)式的熱點關(guān)鍵詞進行優(yōu)先抓取，而且不需要經(jīng)過嚴格的去重和過濾，因為會有新的鏈接來覆蓋以及用戶的主動選擇。

b、權(quán)威優(yōu)先策略：搜索引擎會給每個網(wǎng)站分配一個權(quán)威度，通過網(wǎng)站歷史、網(wǎng)站更新等來確定網(wǎng)站的權(quán)威度，優(yōu)先抓取權(quán)威度高的網(wǎng)站鏈接。

c、用戶點擊策略：當大部分搜索一個行業(yè)詞庫內(nèi)的關(guān)鍵詞時，頻繁的點擊同一個網(wǎng)站的搜索結(jié)果，那么搜索引擎會更頻繁的抓取這個網(wǎng)站。

d、歷史參考策略：對于保持頻繁更新的網(wǎng)站，搜索引擎會對網(wǎng)站建立更新歷史，根據(jù)更新歷史來預估未來的更新量以及確定抓取頻率。

網(wǎng)站題目：分析百度蜘蛛是如何爬行抓取頁面
網(wǎng)站地址：http://muchs.cn/news/137347.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站制作、服務器托管、定制網(wǎng)站、網(wǎng)站策劃、Google、企業(yè)網(wǎng)站制作

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)