搜索引擎的處理對象是互聯(lián)網(wǎng)網(wǎng)頁，日前網(wǎng)頁數(shù)量以百億計，所以搜索引擎首先面臨的問題就是：如何能夠設(shè)計出高效的下載系統(tǒng)，以將如此海量的網(wǎng)頁數(shù)據(jù)傳送到本地，在本地形成互聯(lián)網(wǎng)網(wǎng)頁的鏡像備份。

　　網(wǎng)絡(luò)爬蟲即起此作用，它是搜索引擎系統(tǒng)中很關(guān)鍵也根基礎(chǔ)的構(gòu)件。這里主要介紹與網(wǎng)絡(luò)爬蟲相關(guān)的技術(shù)，盡管爬蟲技術(shù)經(jīng)過幾十年的發(fā)展，從整體框架上已相對成熟，但隨著聯(lián)網(wǎng)的不斷發(fā)展，也面臨著一些有挑戰(zhàn)性的新問題。

　　下圖所示是一個通用的爬蟲框架流程。首先從互聯(lián)網(wǎng)頁面中精心選擇一部分網(wǎng)頁，以這些網(wǎng)頁的鏈接地址作為種子URL，將這些種子URL放入待抓取URL隊列中，爬蟲從待抓取URL隊列依次讀取，并將URL通過DNS解析，把鏈接地址轉(zhuǎn)換為網(wǎng)站服務(wù)器對應(yīng)的IP地址。

　　然后將其和網(wǎng)頁相對路徑名稱交給網(wǎng)頁下載器，網(wǎng)頁下載器負(fù)責(zé)頁面內(nèi)容的下載。對于下載到本地的網(wǎng)頁，一方面將其存儲到頁面庫中，等待建立索引等后續(xù)處理;另一方面將下載網(wǎng)頁的URL放入已抓取URL隊列中，這個隊列記載了爬蟲系統(tǒng)已經(jīng)下載過的網(wǎng)頁URL，以避免網(wǎng)頁的重復(fù)抓取。對于剛下載的網(wǎng)頁，從中抽取出所包含的所有鏈接信息，并在已抓取URL隊列中檢查，如果發(fā)現(xiàn)鏈接還沒有被抓取過，則將這個URL放入待抓取URL隊列末尾，在之后的抓取調(diào)度中會下載這個URL對應(yīng)的網(wǎng)頁。如此這般，形成循環(huán)，直到待抓取URL隊列為審，這代表著爬蟲系統(tǒng)已將能夠抓取的網(wǎng)頁盡數(shù)抓完，此時完成了一輪完整的抓取過程。

　　對于爬蟲來說，往往還需要進行網(wǎng)頁去重及網(wǎng)頁反作弊。

　　上述是一個通用爬蟲的整體流程，如果從更加宏觀的角度考慮，處于動態(tài)抓取過程中的爬蟲和互聯(lián)網(wǎng)所有網(wǎng)頁之間的關(guān)系，可以大致像如圖2-2所身那樣，將互聯(lián)網(wǎng)頁面劃分為5個部分：

　　1.已下載網(wǎng)頁集合：爬蟲已經(jīng)從互聯(lián)網(wǎng)下載到本地進行索引的網(wǎng)頁集合。

　　2.已過期網(wǎng)頁集合：由于網(wǎng)頁數(shù)最巨大，爬蟲完整抓取一輪需要較長時間，在抓取過程中，很多已經(jīng)下載的網(wǎng)頁可能過期。之所以如此，是因為互聯(lián)網(wǎng)網(wǎng)頁處于不斷的動態(tài)變化過程中，所以易產(chǎn)生本地網(wǎng)頁內(nèi)容和真實互聯(lián)網(wǎng)網(wǎng)頁不一致的情況。

　　3.待下載網(wǎng)頁集合：即處于上圖中待抓取URL隊列中的網(wǎng)頁，這些網(wǎng)頁即將被爬蟲下載。

　　4.可知網(wǎng)頁集合：這些網(wǎng)頁還沒有被爬蟲下載，也沒有出現(xiàn)在待抓取URL隊列中，不過通過已經(jīng)抓取的網(wǎng)頁或者在待抓取URL隊列中的網(wǎng)頁，總足能夠通過鏈接關(guān)系發(fā)現(xiàn)它們，稍晚時候會被爬蟲抓取并索引。

　　5.不可知網(wǎng)頁集合：有些網(wǎng)頁對于爬蟲來說是無法抓取到的，這部分網(wǎng)頁構(gòu)成了不可知網(wǎng)頁集合。事實上，這部分網(wǎng)頁所占的比例很高。

　　根據(jù)不同的應(yīng)用，爬蟲系統(tǒng)在許多方面存在差異，大體而言，可以將爬蟲劃分為如下三種類型:

　　1. 批量型爬蟲(Batch Crawler)：批量型爬蟲有比較明確的抓取范圍和目標(biāo)，當(dāng)爬蟲達(dá)到這個設(shè)定的目標(biāo)后，即停止抓取過程。至于具體目標(biāo)可能各異，也許是設(shè)定抓取一定數(shù)量的網(wǎng)頁即可，也許是設(shè)定抓取消耗的時間等。

　　2.增量型爬蟲(Incremental Crawler)：增量型爬蟲與批量型爬蟲不同，會保持持續(xù)不斷的抓取，對于抓取到的網(wǎng)頁，要定期更新，因為互聯(lián)網(wǎng)的網(wǎng)頁處于不斷變化中，新增網(wǎng)頁、網(wǎng)頁被刪除或者網(wǎng)頁內(nèi)容更改都很常見，而增量型爬蟲需要及時反映這種變化，所以處于持續(xù)不斷的抓取過程中，不是在抓取新網(wǎng)頁，就是在更新已有網(wǎng)頁。通用的商業(yè)搜索引擎爬蟲基本都屬此類。

　　3.垂直型爬蟲(Focused Crawter)：垂直型爬蟲關(guān)注特定主題內(nèi)容或者屬于特定行業(yè)的網(wǎng)頁，比如對于健康網(wǎng)站來說，只需要從互聯(lián)網(wǎng)頁而里找到與健康相關(guān)的頁面內(nèi)容即可，其他行業(yè)的內(nèi)容不在考慮范圍。垂直型爬蟲一個最大的特點和難點就是：如何識別網(wǎng)頁內(nèi)容是否屬于指定行業(yè)或者主題。從節(jié)省系統(tǒng)資源的角度來說，不太可能把所有互聯(lián)網(wǎng)頁面下載下來之后再去篩選，這樣浪費資源就太過分了，往往需要爬蟲在抓取階段就能夠動態(tài)識別某個網(wǎng)址是否與主題相關(guān)，并盡量不去抓墩無關(guān)頁面，以達(dá)到節(jié)省資源的目的。垂直搜索網(wǎng)站或者垂直行業(yè)網(wǎng)站往往需要此種類型的爬蟲。

　　文章內(nèi)容由亞健康網(wǎng)的站長撰寫，轉(zhuǎn)載請注明出處，謝謝!