搜索引擎蜘蛛抓取网页规则

　　搜索引擎面对的是互联网万亿网页，如何高效抓取这么多网页到本地镜像?这便是网络爬虫的工作。我们也叫它网络蜘蛛，做为站长，我们每天都在与它亲密接触。

　　一，爬虫框架

　　上图是一个简单的网络爬虫框架图。种子URL入手，如图所示，经过一步步的工作，最后将网页入库保存。当然，勤劳的蜘蛛可能需要做更多的工作，比如：网页去重以及网页反作弊等。

　　也许，我们可以将网页当作是蜘蛛的晚餐，晚餐包括：

　　已下载的网页。已经被蜘蛛抓取到的网页内容，放在肚子里了。

　　已过期网页。蜘蛛每次抓取的网页很多，有一些已经坏在肚子里了。

　　待下载网页。看到了食物，蜘蛛就要去抓取它。

　　可知网页。还没被下载和发现，但蜘蛛能够感觉到他们，早晚会去抓取它。

　　不可知网页。互联网太大，很多页面蜘蛛无法发现，可能永远也找不到，这部份占比很高。

　　通过以上划分，我们可以很清楚的理解搜索引擎蜘蛛的工作及面临的挑战。大多数蜘蛛是按照这样的框架去爬行。但也不完全一定，凡事总有特殊，根据职能的不同，蜘蛛系统存在一些差异。

　　二，爬虫类型

　　1，批量型蜘蛛。

　　这类蜘蛛有明确的抓取范围和目标，当蜘蛛完成目标和任务后就停止抓取。具体目标是什么?可能是抓取网页数量，网页大小，抓取时间等。

　　2，增量型蜘蛛

　　这类蜘蛛和批量型蜘蛛不同，他们会持续不断的抓取，对于抓取到的网页会定期抓取更新。因为互联网中的网页是随时处于更新状态中，增量型蜘蛛需要能够反映出这种更新。

　　3，垂直性蜘蛛

　　这种蜘蛛只关注特定主题或者特定的行业网页。以健康网站为例子，这类专门的蜘蛛会只抓取健康相关主题，其它主题内容的网页则不抓取。考验这只蜘蛛的难点是如何去更精准的识别内容所属于行业。目前来看，很多垂直类行业网站是需要这种蜘蛛去抓取的。

　　三，抓取策略

　　蜘 蛛通过种子URL进行爬行拓展，列出大量待抓取URL。但是待抓取URL数量庞大，蜘蛛如何确定抓取顺序先后呢?蜘蛛抓取的策略有很多种，但最终目的是一 个：优先抓取重要的网页。评价页面是否重要，蜘蛛会根据页面内容原创程度，链接权重分析等众多方式来进行计算。比较有代表性的抓取策略如下：

　　1，宽度优先策略

　　宽度优先是指：蜘蛛在抓取一个网页后，继续将该网页所包含的其它页面按顺序进行进一步抓取。这种思想看似简单，其实却很实用。因为大多数网页都是按优先级进行排序，重要的页面会优先在页面上进行推荐。

　　2，PageRank策略

　　PageRank是一种非常著名的链接分析方法，主要是用来衡量网页权重。如谷歌的PR，就是典型的PageRank算法。通过PageRank算法我们可以找出哪些页面是更重要的，然后蜘蛛优先去抓取这些重要性的页面。

　　3，大站优先策略

　　这个很容易理解，大网站通常拥有更多的内容页面，并且质量也会更高。蜘蛛会先分析网站归类与属性。如果这个网站已经收录很多，或者在搜索引擎系统中权重很高，则优先考虑收录。

　　四，网页更新

　　互 联网中的页面大多会保持更新，这样就要求蜘蛛所存储的页面也能及时更新，保持一致性。打个比喻：一个网页之前排名很好，如果页面已经被删，却还有排名，那 体验就很不好。因此搜索引擎需要随时了解这些并更新页面，将最新的页面提供给用户。常用的网页更新策略在三种：历史参考策略，用户体验策略。聚类抽样策 略。

　　1，历史参考策略

　　这是建立在一种假设基础上的更新策略。比如，若你的网页之前按规律一直更新，那搜索引擎也认为你的页面将来也会经常更新，蜘蛛也会按这个规律定期来网站进行抓取网页。这也是为什么点水一直强调网站内容需要有规律更新的原因。

　　2，用户体验策略

　　一 般来说，用户只会查看搜索结果前三页的内容，后面的页面很少有人去看。用户体验策略就是搜索引擎根据用户的这个特点来进行更新。例如，一个网页可能发布时 间较早，一段时间没更新，但是用户依然觉得有用，点击浏览它，那么搜索引擎先不去更新这些过时的网页也是可以的。这就是为什么搜索结果中，并不一定最新的 页面排名一定靠前的原因。排名更多的是取决于这个页面的质量，而完全不是更新时间先后。

　　3，聚类抽样策略

　　上 两种更新策略主要是参考了网页的历史信息。但存储大量历史信息对搜索引擎来说是一种负担，另外如果收录的是新网页则是没有历史信息可以参考的，那怎么办? 聚类抽样策略是指：根据网页所展现出来的一些属性，来将很多相似网页进行归类，被归类的页面按照相同的规律去进行更新。