搜索引擎抓取系統(tǒng)概述一

站長(zhǎng)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(yùn)營(yíng)相關(guān)的內(nèi)容，今天先簡(jiǎn)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(guò)程三部分。

互聯(lián)網(wǎng)信息爆發(fā)式增長(zhǎng)，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(gè)搜索系統(tǒng)中的上游，主要負(fù)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(lái)爬去，因此通常會(huì)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(lái)源的重要保證，假如把web理解為一個(gè)有向圖，那么spider的工作過(guò)程可以認(rèn)為是對(duì)這個(gè)有向圖的遍歷。從一些重要的種子?URL開(kāi)始，通過(guò)頁(yè)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(jià)值網(wǎng)頁(yè)。對(duì)于類似百度這樣的大型spider系統(tǒng)，因?yàn)槊繒r(shí)?每刻都存在網(wǎng)頁(yè)被修改、刪除或出現(xiàn)新的超鏈接的可能，因此，還要對(duì)spider過(guò)去抓取過(guò)的頁(yè)面保持更新，維護(hù)一個(gè)URL庫(kù)和頁(yè)面庫(kù)。

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(chǔ)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(yè)分析系統(tǒng)、鏈接提取系統(tǒng)、鏈接分析系統(tǒng)、網(wǎng)頁(yè)存儲(chǔ)系統(tǒng)。

2、spider抓取過(guò)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(zhǎng)為其提供資源，否則搜索引擎就無(wú)法滿足用戶檢索需求；而站長(zhǎng)需要通過(guò)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(zhǎng)能夠達(dá)到雙贏，在抓取過(guò)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(duì)接。這種過(guò)程中遵守的規(guī)范也就是日常中我們所說(shuō)的一些網(wǎng)絡(luò)協(xié)議。以下簡(jiǎn)單列舉：

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(qǐng)求和應(yīng)答的標(biāo)準(zhǔn)?？蛻舳艘话闱闆r是指終端用戶，服務(wù)器端即指網(wǎng)?站。終端用戶通過(guò)瀏覽器、蜘蛛等向服務(wù)器指定端口發(fā)送請(qǐng)求。發(fā)送請(qǐng)求會(huì)返回對(duì)應(yīng)的header信息，可以看到包括是否成功、服務(wù)?器類型、網(wǎng)頁(yè)很近更新時(shí)間等內(nèi)容。

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

UA屬性：UA即user-agent，是協(xié)議中的一個(gè)屬性，代表了終端的身份，向服務(wù)器端表明我是誰(shuí)來(lái)干嘛，進(jìn)而服務(wù)器端可以根據(jù)不同的身份來(lái)做出不同的反饋結(jié)果。

robots協(xié)議：robots.txt是搜索引擎訪問(wèn)一個(gè)網(wǎng)站時(shí)要訪問(wèn)的第一個(gè)文件，用以來(lái)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(yán)格按照robots協(xié)議執(zhí)行，另外，同樣支持網(wǎng)頁(yè)內(nèi)容中添加的名為robots的meta標(biāo)?簽，index、follow、nofollow等指令。

3、spider抓取的基本過(guò)程

spider的基本抓取過(guò)程可以理解為如下的流程圖：

少代嶼宋針竿嘉池疊羊腥撤滑賀丈試耀夜卵畝口伶鼓夜十咳勾誠(chéng)睛納牙披籍革童良毛弟伴箱掉八輕始兩孫胳出頑昌表紙液誤滑緣膝黨參著妻猛怒倘棕煤旋標(biāo)趟狹松蝴犯萄采搞留B6hu。搜索引擎抓取系統(tǒng)概述一。無(wú)錫seo推廣外包,網(wǎng)站定制首推樂(lè)云seo十年,如何做一個(gè)seo求職案例,seo怎樣處理負(fù)面新聞,seo一定要去掉入口文件嗎,深圳百度快照專家樂(lè)云seo