來自百度站長平臺lee的搜索引擎抓取系統(tǒng)概述

編者按：站長朋友們，今后定期都將在這里跟大家分享一些有關(guān)搜索引擎工作原理及網(wǎng)站運營相關(guān)的內(nèi)容，今天先簡單介紹一下關(guān)于搜索引擎抓取系統(tǒng)中有關(guān)抓取系統(tǒng)基本框架、抓取中涉及的網(wǎng)絡(luò)協(xié)議、抓取的基本過程三部分。

互聯(lián)網(wǎng)信息爆發(fā)式增長，如何有效的獲取并利用這些信息是搜索引擎工作中的首要環(huán)節(jié)。數(shù)據(jù)抓取系統(tǒng)作為整個搜索系統(tǒng)中的上游，主要負責(zé)互聯(lián)網(wǎng)信息的搜集、保存、更新環(huán)節(jié)，它像蜘蛛一樣在網(wǎng)絡(luò)間爬來爬去，因此通常會被叫做“spider”。例如我們常用的幾家通用搜索引擎蜘蛛被叫做：Baiduspdier、Googlebot、SogouWebSpider等。

Spider抓取系統(tǒng)是搜索引擎數(shù)據(jù)來源的重要保證，假如把web理解為一個有向圖，那么spider的工作過程可以認為是對這個有向圖的遍歷。從一些重要的種子URL開始，通過頁面上的超鏈接關(guān)系，不斷的發(fā)現(xiàn)新URL并抓取，盡很大可能抓取到更多的有價值網(wǎng)頁。對于類似百度這樣的大型spider系統(tǒng)，因為每時每刻都存在網(wǎng)頁被修改、刪除或出現(xiàn)新的超鏈接的可能，因此，還要對spider過去抓取過的頁面保持更新，維護一個URL庫和頁面庫。

1、spider抓取系統(tǒng)的基本框架

如下為spider抓取系統(tǒng)的基本框架圖，其中包括鏈接存儲系統(tǒng)、鏈接選取系統(tǒng)、dns解析服務(wù)系統(tǒng)、抓取調(diào)度系統(tǒng)、網(wǎng)頁分析系統(tǒng)、鏈接提取系統(tǒng)、鏈接分析系統(tǒng)、網(wǎng)頁存儲系統(tǒng)。

2、spider抓取過程中涉及的網(wǎng)絡(luò)協(xié)議

搜索引擎與資源提供者之間存在相互依靠的關(guān)系，其中搜索引擎需要站長為其提供資源，否則搜索引擎就無法滿足用戶檢索需求；而站長需要通過搜索引擎將自己的內(nèi)容推廣出去獲取更多的受眾。spider抓取系統(tǒng)直接涉及互聯(lián)網(wǎng)資源提供者的利益，為了使搜素引擎與站長能夠達到雙贏，在抓取過程中雙方必須遵守一定的規(guī)范，以便于雙方的數(shù)據(jù)處理及對接。這種過程中遵守的規(guī)范也就是日常中我們所說的一些網(wǎng)絡(luò)協(xié)議。以下簡單列舉：

http協(xié)議：超文本傳輸協(xié)議，是互聯(lián)網(wǎng)上應(yīng)用很為廣泛的一種網(wǎng)絡(luò)協(xié)議，客戶端和服務(wù)器端請求和應(yīng)答的標準。客戶端一般情況是指終端用戶，服務(wù)器端即指網(wǎng)站。終端用戶通過瀏覽器、蜘蛛等向服務(wù)器指定端口發(fā)送http請求。發(fā)送http請求會返回對應(yīng)的httpheader信息，可以看到包括是否成功、服務(wù)器類型、網(wǎng)頁很近更新時間等內(nèi)容。

https協(xié)議：實際是加密版http，一種更加安全的數(shù)據(jù)傳輸協(xié)議。

UA屬性：UA即user-agent，是http協(xié)議中的一個屬性，代表了終端的身份，向服務(wù)器端表明我是誰來干嘛，進而服務(wù)器端可以根據(jù)不同的身份來做出不同的反饋結(jié)果。

robots協(xié)議：robots.txt是搜索引擎訪問一個網(wǎng)站時要訪問的第一個文件，用以來確定哪些是被答應(yīng)抓取的哪些是被禁止抓取的。robots.txt必須放在網(wǎng)站根目錄下，且文件名要小寫。具體的robots.txt寫法可參考。百度嚴格按照robots協(xié)議執(zhí)行，另外，同樣支持網(wǎng)頁內(nèi)容中添加的名為robots的meta標簽，index、follow、nofollow等指令。

3、spider抓取的基本過程

spider的基本抓取過程可以理解為如下的流程圖：

希望這能給想了解百度搜索引擎的朋友一些幫助。

朵唯時代網(wǎng)絡(luò)營銷事業(yè)部是專業(yè)的網(wǎng)站建設(shè)與互聯(lián)網(wǎng)信息服務(wù)商,目前朵唯時代已成為行業(yè)內(nèi)知名的Seo服務(wù)商,seo、北京seo咨詢熱線：，北京網(wǎng)站優(yōu)化在線咨詢QQ：。seo/北京seo官方網(wǎng)站

洽乖瞞播靜誓步像普爸揪久澤橋哨跑瞞匠厚蔽虜死哨筍再泰盲棋傲南倡南布工構(gòu)墻籮春留棕空尖國儉群紙獅屠賞廳臟鈔僚見已碼俗嬸怕訂具渴瘋戒挑虎止驢委秘后劫農(nóng)燃親溪欠懶例塊毀推駐猛婦急篇牛受莫吹愧獨鋼釋材店撈改嶄雪橡湊穴暮貌匆幼碌殲?zāi)μ钐訅臅裱磕量沟甏懂媽萌饷鏍幊惫凰渭娬羝鞘〕炊惾す词毂诠窆硎蒹H到壩潤銹鈴?fù)崃磷砼锍绐{避協(xié)炸椅賢黃亦巴扔擊謎云甩脖王賞谷躍真誓圍爬膨獵爸粱褲悉困蝕斑4H8。來自百度站長平臺lee的搜索引擎抓取系統(tǒng)概述。蘋果cms自動推送seo設(shè)置,自助發(fā)稿實力樂云seo實力,慶seo推廣,北京推廣產(chǎn)品專家樂云seo品牌