如何設計出高效下載系統 搜索引擎爬蟲原理

　　搜索引擎的處理對象是互聯網網頁，日前網頁數量以百億計，所以搜索引擎首先面臨的問題就是：如何能夠設計出高效的下載系統，以將如此海量的網頁數據傳送到本地，在本地形成互聯網網頁的鏡像備份。

　　網絡爬蟲即起此作用，它是搜索引擎系統中很關鍵也根基礎的構件。這里主要介紹與網絡爬蟲相關的技術，盡管爬蟲技術經過幾十年的發展，從整體框架上已相對成熟，但隨著聯網的不斷發展，也面臨著一些有挑戰性的新問題。

　　下圖所示是一個通用的爬蟲框架流程。首先從互聯網頁面中精心選擇一部分網頁，以這些網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，把鏈接地址轉換為網站服務器對應的IP地址。

　　然后將其和網頁相對路徑名稱交給網頁下載器，網頁下載器負責頁面內容的下載。對于下載到本地的網頁，一方面將其存儲到頁面庫中，等待建立索引等后續處理;另一方面將下載網頁的URL放入已抓取URL隊列中，這個隊列記載了爬蟲系統已經下載過的網頁URL，以避免網頁的重復抓取。對于剛下載的網頁，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，如果發現鏈接還沒有被抓取過，則將這個URL放入待抓取URL隊列末尾，在之后的抓取調度中會下載這個URL對應的網頁。如此這般，形成循環，直到待抓取URL隊列為審，這代表著爬蟲系統已將能夠抓取的網頁盡數抓完，此時完成了一輪完整的抓取過程。

　　對于爬蟲來說，往往還需要進行網頁去重及網頁反作弊。

　　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，處于動態抓取過程中的爬蟲和互聯網所有網頁之間的關系，可以大致像如圖2-2所身那樣，將互聯網頁面劃分為5個部分：

　　1.已下載網頁集合：爬蟲已經從互聯網下載到本地進行索引的網頁集合。

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

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

　　4.可知網頁集合：這些網頁還沒有被爬蟲下載，也沒有出現在待抓取URL隊列中，不過通過已經抓取的網頁或者在待抓取URL隊列中的網頁，總足能夠通過鏈接關系發現它們，稍晚時候會被爬蟲抓取并索引。

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

　　根據不同的應用，爬蟲系統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，當爬蟲達到這個設定的目標后，即停止抓取過程。至于具體目標可能各異，也許是設定抓取一定數量的網頁即可，也許是設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，會保持持續不斷的抓取，對于抓取到的網頁，要定期更新，因為互聯網的網頁處于不斷變化中，新增網頁、網頁被刪除或者網頁內容更改都很常見，而增量型爬蟲需要及時反映這種變化，所以處于持續不斷的抓取過程中，不是在抓取新網頁，就是在更新已有網頁。通用的商業搜索引擎爬蟲基本都屬此類。

　　3.垂直型爬蟲(Focused Crawter)：垂直型爬蟲關注特定主題內容或者屬于特定行業的網頁，比如對于健康網站來說，只需要從互聯網頁而里找到與健康相關的頁面內容即可，其他行業的內容不在考慮范圍。垂直型爬蟲一個最大的特點和難點就是：如何識別網頁內容是否屬于指定行業或者主題。從節省系統資源的角度來說，不太可能把所有互聯網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識別某個網址是否與主題相關，并盡量不去抓墩無關頁面，以達到節省資源的目的。垂直搜索網站或者垂直行業網站往往需要此種類型的爬蟲。

　　文章內容由亞健康網的站長撰寫，轉載請注明出處，謝謝!