世紀網絡淺議搜索引擎的檢索、策略和存儲 |
作者：孫斌 發布時間：2009-01-20 瀏覽：1943次 |
| 本文簡單的分析了爬蟲抓取網頁的一些基本原理與大家同享，能基本了解網頁的幾個排名因素：鏈接的建設和網頁的布局，多多體會，希望能給大家有所幫助。 爬蟲的工作原理包括抓取，策略和存儲，抓取是爬蟲的基本勞動過程，策略是爬蟲的智慧中樞，存儲是爬蟲的勞動結果，我們按照由淺入深的過程來了解整個爬蟲的工作原理。 1：從種子站點開始抓取 基于萬維網的蝴蝶型結構，這種非線性的網頁組織結構，就會出現一個抓取順序的問題，這種抓取順序的策略必須保證盡可能地抓取所有網頁。 一般來說，爬蟲選擇抓取蝴蝶型左邊的結構為抓取出發點，典型的如sina和sohu這樣的門戶網站的主頁，每次抓取網頁之后分析其中的URL，這種字符串形式的鏈接是指向其他網頁的URL，它們指引著爬蟲抓取其他網頁。(基于這點我們可以初步理解引擎先左后右，先上后下的抓取原因了) a:深度優先的策略(Depth-First Traversal) 深度優先的遍歷策略類似家族繼承策略，典型的如封建帝王的繼承，通常為長子，如果長子去世，長孫的優先級大于次子的優先級(這點大家多多仔細分析琢磨下)，如果長子和長孫都已經去世，那么次子繼承，這種繼承上的優先關系也稱深度優先策略。(從這點上我們可以了解到蜘蛛的抓取欄目頁先后順序) b:寬度優先的策略(Breadth-First Traversal) 寬度優先我們又稱為廣度優先，或者叫層次優先，例如：我們在給祖輩和父輩還有平輩敬茶的時候先給最年長的祖輩，其次為父輩，最后為平輩，在爬蟲抓取上也采取了這樣的策略?；谑褂脤挾扔邢薜牟呗灾饕蛴腥c： 1>首頁重要的網頁往往離種子比較近，例如我們打開新聞站的時候往往是最熱門的新聞，隨著不斷的深入沖浪，PV值增加，所看到網頁重要性越來越低。 2>萬維網的實際深度最多能達到17層，到達某個網頁的路徑深入很多，但是總存在一條很短的路徑。 3>寬度優先有利于多爬蟲的合作抓取(Mozk是根據前輩的資料分析和IIS日志分析，暫且認為，有不同見解，歡迎討論交流)，多爬蟲合作通常先抓取站內連接，遇到站外連接然后開始抓取，抓取的封閉性很強。 附：鏈接的優化，避抓取鏈接的死循環，同時也避免該抓取的資源沒有得到抓取，浪費大量的資源做無用功。(如何建立合理的內部鏈接可以參照小站)。 2：網頁抓取優先策略 網頁的抓取優先策略也稱為“面頁選擇問題”(page selection)，通常抓取重要性的網頁，這樣保證有限資源(爬蟲，服務器負載)盡可能的照顧到重要性高的網頁，這點應該很好理解。 那么哪些網頁才是重要性的網頁呢? 網頁的重要性判斷因素很多，主要有鏈接歡迎度(知道鏈接的重要性了吧)，鏈接的重要度和平均深度鏈接，網站質量，歷史權重等主要因素。 鏈接的歡迎度主要是由反向鏈接(backlinks)的數量和質量決定，我們定義為IB(P)。 鏈接的重要度，是一個關于URL字符串的函數，僅僅考察字符串本身，比如認為“.com”“home”的URL重要度比“.cc”和“map”較高(這里是比方不是絕對，就如我們通常默認首頁index.**一樣，要定義其他名稱也可以，另外排名是個綜合因素，com的不一定排名就好，只是其中一個很小的因素而已),我們定義為IL(P) 平均連接深度，依筆者之見，根據上面所分析的寬度優先的原則計算出全站的平均鏈接深度，然后認為距離種子站點越近重要性越高。我們定義為ID(P) 我們定義網頁的重要性為I(P) 那么： I(p)=X*IB(P)+Y*IL(P) ID(P)由寬度優先的遍歷規則保證，因此不作為重要的指標函數，為了保證重要性高的網頁被抓取，所以，這樣的抓取完全是合理，科學的。 本文的第1點是講解的一個點，第二點是分析的一個面。 SEO的目標是提高網站的質量，提高網站的質量是提高網站用戶體驗友好度，提高網站用戶優化度的終極目標是離開SE做常青樹。畢竟SEO是一個排名的逆向推理過程，不可能全對，只是對數據的一種分析，任何資料只能是參考，還是要多靠自己的實踐 |
