爬虫(一)爬行算法

最近想梳理一下搜索搜索引擎相关的理论与技术&＃xff0c;从爬虫开始&＃xff0c;总结一下这方面的问题与解决方案。

不论是分布式爬虫还是单体爬虫、主题爬虫等&＃xff0c;最关键的是爬行算法&＃xff0c;而作为爬虫数据源的互联网可以抽象的看作是一张有向图&＃xff0c;现对该图定义如下&＃xff1a;

1.将互联网定义为图

2.每个页面定义为图节点

3.页面中的链接定义为有向边

简而言之&＃xff0c;爬虫通过遍历这张有向图来爬取相关信息&＃xff0c;并使用这些信息创建索引供检索程序查询。

图的遍历算法有深度优先算法与宽度优先算法&＃xff0c;而前者容易使爬虫陷入黑洞&＃xff0c;所以宽度优先算法被用来实现爬虫的爬行算法&＃xff0c;但是有时也不会完全按照宽度优先算法进行爬行&＃xff0c;而是做相应的变通&＃xff0c;如带偏好的爬行算法。

首先来看图的宽度的优先遍历算法&＃xff0c;

图1为要遍历的图&＃xff1a;

图-1 要遍历的有向图

选择A为遍历的根节点&＃xff0c;则具体的遍历过程如下表所示&＃xff1a;

表-1 图遍历过程

从上表中可以归纳出&＃xff0c;图节点的遍历过程为&＃xff1a;

A->B->C->D->E->F->H->G->I

爬虫以宽度优先算法遍历互联网

现定于如下&＃xff1a;

1).将根URl选定为图的起始节点

2).某URL对应的页面中含有的子URL(对应的页面)为该URL的子节点。

3).通过解析->入TODO队列->入VISITED的队列这一往复过程实现遍历。

图-2 流程图

宽度优先遍历算法是爬虫中采用最为广泛的爬行算法&＃xff0c;主要有以下几个原因&＃xff1a;

1).重要的网页一般离种子比较近

2).互联网的实际深度最多能达到17层&＃xff0c;但到达某个网页总存在一条很短的路径&＃xff0c;而宽度优先遍历会以最快的速度到达这个网页。

3).宽度优先遍历有利于多爬虫合作抓取&＃xff0c;单体爬虫往往会先抓取站内链接&＃xff0c;封闭性很强。