搜索引擎中網(wǎng)絡(luò)爬蟲的設(shè)計(jì)分析

說的簡(jiǎn)單易懂一些，網(wǎng)絡(luò)爬蟲跟你使用的〖離線閱讀〗工具差不多。說離線，其實(shí)還是要跟網(wǎng)絡(luò)聯(lián)結(jié)，否則怎么抓東西下來？那么不同的地方在哪里？

1）網(wǎng)絡(luò)爬蟲高度可配置性。

2）網(wǎng)絡(luò)爬蟲可以解析抓到的網(wǎng)頁里的鏈接

3）網(wǎng)絡(luò)爬蟲有簡(jiǎn)單的存儲(chǔ)配置

4）網(wǎng)絡(luò)爬蟲擁有智能的根據(jù)網(wǎng)頁更新分析功能

5）網(wǎng)絡(luò)爬蟲的效率相當(dāng)?shù)母?/p>

那么依據(jù)特征，其實(shí)也就是要求了，如何設(shè)計(jì)爬蟲呢？要注意哪些步驟呢？

1）url 的遍歷和紀(jì)錄

這點(diǎn) larbin 做得非常的好，其實(shí)對(duì)于url的遍歷是很簡(jiǎn)單的，例如：

cat [what you got]　 tr " n 　 gawk '{print $2}' 　 pcregrep ^http://

就可以得到一個(gè)所由的 url 列表

2）多進(jìn)程 VS 多線程

各有優(yōu)點(diǎn)了，現(xiàn)在一臺(tái)普通的pC 例如 booso.com 一天可以輕松爬下5個(gè)G的數(shù)據(jù)。大約20萬網(wǎng)頁。

3）時(shí)間更新控制

最傻的做法是沒有時(shí)間更新權(quán)重，一通的爬，回頭再一通的爬。

通常在下一次爬的的數(shù)據(jù)要跟上一次進(jìn)行比較，如果連續(xù)5次都沒有變化，那么將爬這個(gè)網(wǎng)頁的時(shí)間間隔擴(kuò)大1倍。

如果一個(gè)網(wǎng)頁在連續(xù)5次爬取的時(shí)候都有更新，那么將設(shè)置的爬取時(shí)間縮短為原來的1／2。

注意，效率是取勝的關(guān)鍵之一。

4）爬的深度是多少呢？

看情況了。如果你比較牛，有幾萬臺(tái)服務(wù)器做網(wǎng)絡(luò)爬蟲，我勸您跳過這一點(diǎn)。

如果你同我一樣只有一臺(tái)服務(wù)器做網(wǎng)絡(luò)爬蟲，那么這樣一個(gè)統(tǒng)計(jì)您應(yīng)該知道：

網(wǎng)頁深度：網(wǎng)頁個(gè)數(shù)：網(wǎng)頁重要程度

0 : 1 : : 10

1 :20 : :8

2: :600: :5

3: :2000: :2

4 above: 6000: 一般無法計(jì)算

好了，爬到三級(jí)就差不多了，再深入一是數(shù)據(jù)量擴(kuò)大了3／4倍，二是重要度確下降了許多，這叫做“種下的是龍種，收獲的是跳蚤。

5）爬蟲一般不之間爬對(duì)方的網(wǎng)頁，一般是通過一個(gè)proxy出去，這個(gè)proxy有緩解壓力的功能，因?yàn)楫?dāng)對(duì)方的網(wǎng)頁沒有更新的時(shí)候，只要拿到 header 的 tag就可以了，沒有必要全部傳輸一次了，可以大大節(jié)約網(wǎng)絡(luò)帶寬。

apache webserver里面紀(jì)錄的 304 一般就是被cache的了。

6）請(qǐng)有空的時(shí)候照看一下robots.txt

7）存儲(chǔ)結(jié)構(gòu)。

這個(gè)人人見智，google 用 gfs 系統(tǒng)，如果你有7／8臺(tái)服務(wù)器，我勸你用NFS系統(tǒng)，要是你有70／80個(gè)服務(wù)器的話我建議你用afs 系統(tǒng)，要是你只有一臺(tái)服務(wù)器，那么隨便。

給一個(gè)代碼片斷，是我寫的新聞搜索引擎是如何進(jìn)行數(shù)據(jù)存儲(chǔ)的：

NAME=echo $URL 　perl -p -e 's/([^w-.@])/$1 eq "n" ? "n":sprintf("%%%2.2x",ord($1))/eg'mkdir -p $AUTHOR

newscrawl.pl$URL--user-agent="news.booso.com+(+http://booso.com)"-outfile=$AUTHOR/$NAME

特別是注意以下幾句：

1.通常在下一次爬的的數(shù)據(jù)要跟上一次進(jìn)行比較，如果連續(xù)5次都沒有變化，那么將爬這個(gè)網(wǎng)頁的時(shí)間間隔擴(kuò)大1倍，如果一個(gè)網(wǎng)頁在連續(xù)5次爬取的時(shí)候都有更新，那么將設(shè)置的爬取時(shí)間縮短為原來的1／2。

網(wǎng)頁更新頻度嚴(yán)重影響著搜索引擎蜘蛛程度對(duì)網(wǎng)站的爬行，爬取次數(shù)越多意味著網(wǎng)頁收錄幾率會(huì)越大、收錄數(shù)量越多，收錄是SEO最基礎(chǔ)的一個(gè)環(huán)節(jié)。

2.好了，爬到三級(jí)就差不多了，再深入一是數(shù)據(jù)量擴(kuò)大了3／4倍，二是重要度確下降了許多，這叫做“種下的是龍種，收獲的是跳蚤。

盡量將網(wǎng)站保持在三級(jí)目錄內(nèi)，深層次的網(wǎng)頁會(huì)給搜索引擎帶來很大的壓力，當(dāng)然，我想Google有足夠的服務(wù)器來承擔(dān)這些壓力，但從側(cè)面來說，3層目錄下的網(wǎng)頁被抓取及更新的頻度要低很多。前面，我說過，要想辦法使網(wǎng)站物理結(jié)構(gòu)和邏輯結(jié)構(gòu)吻合，這體現(xiàn)于URL的良好設(shè)計(jì)，現(xiàn)在你可以檢查下前臺(tái)生成的靜態(tài)網(wǎng)頁的實(shí)際目錄有幾層，考慮是否可以優(yōu)化

當(dāng)前文章：搜索引擎中網(wǎng)絡(luò)爬蟲的設(shè)計(jì)分析
文章起源：http://www.muchs.cn/news/183228.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供標(biāo)簽優(yōu)化、品牌網(wǎng)站建設(shè)、品牌網(wǎng)站設(shè)計(jì)、ChatGPT、網(wǎng)站營銷、品牌網(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(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)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(shí)需注明來源： 創(chuàng)新互聯(lián)