在搜索引擎蜘蛛系統(tǒng)中，待爬取URL隊(duì)列是很關(guān)鍵的部分，需要蜘蛛爬取的網(wǎng)頁(yè)URL在其中順序排列，形成一個(gè)隊(duì)列結(jié)構(gòu)，調(diào)度程序每次從隊(duì)列頭取出某個(gè)URL，發(fā)送給網(wǎng)頁(yè)下載器頁(yè)面內(nèi)容，每個(gè)新下載的頁(yè)面包含的URL會(huì)追加到待爬取URL隊(duì)列的末尾，如此形成循環(huán)，整個(gè)爬蟲系統(tǒng)可以說(shuō)是由這個(gè)隊(duì)列驅(qū)動(dòng)運(yùn)轉(zhuǎn)的。同樣我們的網(wǎng)站每天都要經(jīng)過(guò)這樣一個(gè)隊(duì)列，讓搜索引擎進(jìn)行爬取的。
那么待爬取URL隊(duì)列中的頁(yè)面URL 的排列順序是如何來(lái)確定的呢？上面我們說(shuō)了將新下載頁(yè)面中的包含的鏈接追加到隊(duì)列尾部，這固然是一種確定隊(duì)列URL順序的方法，但并非唯一的手段，事實(shí)上，還可以采納很多其他技術(shù)來(lái)實(shí)現(xiàn)，將隊(duì)列中待爬取的URL進(jìn)行排序。那么究竟搜索引擎蜘蛛是按照什么樣的策略進(jìn)行的爬取呢？以下我們來(lái)進(jìn)行更深入的分析吧。
第一、寬度優(yōu)化遍歷策略
寬度優(yōu)化遍歷是一種非常簡(jiǎn)單直觀且歷史很悠久的遍歷方法，在搜索引擎爬蟲一出現(xiàn)就開始采用了。新提出的抓取策略往往會(huì)將這種方法作為比較基準(zhǔn)，但應(yīng)該注意到的是，這種策略也是一種相當(dāng)強(qiáng)悍的方法，很多新方法實(shí)際效果不見(jiàn)昨比寬度優(yōu)化遍歷策略好，所以至今這種方法也是很多實(shí)際爬蟲系統(tǒng)優(yōu)先采用的爬取策略。網(wǎng)頁(yè)爬取順序基本是按照網(wǎng)頁(yè)的重要性排序的。之所以如此，有研究人員認(rèn)為，如果某個(gè)網(wǎng)頁(yè)包含很多入鏈，那么更有可能被寬度優(yōu)化遍歷策略早早爬到，而入鏈這個(gè)數(shù)從側(cè)面體現(xiàn)了網(wǎng)頁(yè)的重要性，即實(shí)際上寬度優(yōu)化遍歷策略隱含了一些網(wǎng)頁(yè)優(yōu)化級(jí)假設(shè)。
第二、非完全pagerank策略
PageRank是一種著名的鏈接分析算法，可以用來(lái)衡量網(wǎng)頁(yè)的重要性。很自然地，可以想到用PageRank的思想來(lái)對(duì)URL優(yōu)化級(jí)進(jìn)行排序。但是這里有個(gè)問(wèn)題，PageRank是個(gè)全局性算法，也就是說(shuō)當(dāng)所有網(wǎng)頁(yè)下載完成后，其計(jì)算結(jié)果才是可靠的，而爬蟲的目的就是去下載網(wǎng)頁(yè)，在運(yùn)行過(guò)程中只能看到一部分頁(yè)面，所以在爬取階段的網(wǎng)頁(yè)是無(wú)法獲得可靠的PageRank得分的。對(duì)于已經(jīng)下載的網(wǎng)頁(yè)，加上待爬取的URL隊(duì)列中的一URL一起，形成網(wǎng)頁(yè)集合，在此集合內(nèi)進(jìn)行PageRank計(jì)算，計(jì)算完成之后，將待爬取URL隊(duì)列里的網(wǎng)頁(yè)按照按照PageRank得分由高低排序，形成的序列就是爬蟲接下來(lái)應(yīng)該依次爬取的URL列表。這也是為何稱之為“非完全PageRank”的原因，。
第三、OPIC策略( Online Page Importance Computation)
OPIC的字面含義是“在線頁(yè)面重要性計(jì)算”，可以將其看做是一種改進(jìn)的PageRank算法。在算法開始之前，每個(gè)互聯(lián)網(wǎng)頁(yè)面都給予相同的現(xiàn)金，每當(dāng)下載了某個(gè)頁(yè)面P后，P就將自己擁有的現(xiàn)金平均分配給頁(yè)面中包含的鏈接頁(yè)面，氫自己的現(xiàn)金清空。而對(duì)于待爬取URL隊(duì)列中的網(wǎng)頁(yè)，則根據(jù)其手頭擁有的現(xiàn)金金額多少排序，優(yōu)先下載現(xiàn)金最充裕的網(wǎng)頁(yè)，OPIC從大的框架上與PageRank思路基本一致，區(qū)別在于：PageRank每次需要迭代計(jì)算，而OPIC策略不需要迭代過(guò)程。所以計(jì)算速度遠(yuǎn)遠(yuǎn)快與PageRank，適合實(shí)時(shí) 計(jì)算使用。同時(shí)，PageRank，在計(jì)算時(shí)，存在向無(wú)鏈接關(guān)系網(wǎng)頁(yè)的遠(yuǎn)程跳轉(zhuǎn)過(guò)程，而OPIC沒(méi)有這一計(jì)算因子。實(shí)驗(yàn)結(jié)果表明，OPIC是較好的重要性衡量策略，效果略優(yōu)于寬度優(yōu)化遍歷策略。
第四、大站優(yōu)化策略
大部?jī)?yōu)化策略思路很直接：以網(wǎng)站為單位來(lái)選題網(wǎng)頁(yè)重要性，對(duì)于待爬取URL隊(duì)列中的網(wǎng)頁(yè)根據(jù)所屬網(wǎng)站歸類，如果哪個(gè)網(wǎng)站等待下載的頁(yè)面最多，則優(yōu)化先下載這些鏈接，其本質(zhì)思想傾向于優(yōu)先下載大型網(wǎng)站。因?yàn)榇笮途W(wǎng)站往往包含更多的頁(yè)面。鑒于大型網(wǎng)站往往是著名企業(yè)的內(nèi)容，其網(wǎng)頁(yè)質(zhì)量一般較高，所以這個(gè)思路雖然簡(jiǎn)單，但是有一定依據(jù)。實(shí)驗(yàn)表明這個(gè)算法效果也要略優(yōu)先于寬度優(yōu)先遍歷策略。
第五、網(wǎng)頁(yè)更新策略
互聯(lián)網(wǎng)的動(dòng)態(tài)是其顯著特征，隨時(shí)都有新出現(xiàn)的頁(yè)面，頁(yè)面的內(nèi)容被更改或者本來(lái)存在的頁(yè)面刪除。對(duì)于爬蟲來(lái)說(shuō)，并非將網(wǎng)頁(yè)抓取到本地就算完成任務(wù)，也要體現(xiàn)出互聯(lián)網(wǎng)這種動(dòng)態(tài)性。本地下載的網(wǎng)頁(yè)可被看做是互聯(lián)網(wǎng)頁(yè)的鏡像，爬蟲要盡可能保證其一致性。可以假設(shè)一種情況：某 個(gè)網(wǎng)頁(yè)已被刪除或者內(nèi)容做出重大變動(dòng)，而搜索引擎對(duì)此惘然無(wú)知，仍然按其舊有內(nèi)容排序，將其作為搜索結(jié)果提供給用記，其用戶體驗(yàn)度之糟糕不言而喻。所以對(duì)于已經(jīng)爬取的網(wǎng)頁(yè)，爬蟲還要負(fù)責(zé)保持其內(nèi)容和互聯(lián)網(wǎng)頁(yè)面內(nèi)容的同步，這取決于爬蟲所彩用的網(wǎng)頁(yè)更新策略。網(wǎng)頁(yè)更新策略的任務(wù)是要決定何時(shí)重新爬取之前已經(jīng)下載過(guò)和網(wǎng)頁(yè)，以盡可能使得本地下載網(wǎng)頁(yè)和互聯(lián)網(wǎng)原始頁(yè)面內(nèi)容保持一致。常用的網(wǎng)頁(yè)更新策略有三種：歷史參考策略，用戶體驗(yàn)度策略和聚類抽樣策略。
（1）什么是歷史參考策略？
歷史參考策略是最直觀的一種更新策略，它建立于如下假設(shè)之上：過(guò)去頻繁更新的網(wǎng)頁(yè)，那么將來(lái)也會(huì)頻繁更新，所以為了預(yù)估某個(gè)網(wǎng)頁(yè)何時(shí)進(jìn)行更新，可以通過(guò)參考其歷史更新情況來(lái)做出決定。
從這一點(diǎn)可以看出，我們網(wǎng)站的更新一定要有規(guī)律的進(jìn)行，這樣才能讓搜索引擎蜘蛛更好的來(lái)關(guān)注你的網(wǎng)站，把握你的網(wǎng)站，很多人在更新網(wǎng)站的時(shí)候，不知道為什么要做規(guī)律性的更新，這就是真正存在的原因。
（2）什么是用戶體驗(yàn)度策略？
這個(gè)很明顯，大家都知道。一般來(lái)說(shuō)，搜索引擎用戶提交查詢結(jié)果后，相關(guān)的搜索結(jié)果可能成千上萬(wàn)，而用戶沒(méi)有耐心去查看排在后面的搜索結(jié)果，往往只盾前三頁(yè)搜索內(nèi)容，用戶體驗(yàn)策略就是利用搜索引擎用戶的這個(gè)特點(diǎn)來(lái)設(shè)計(jì)更新策略的。
（3）聚類抽樣策略
上面介紹的兩種網(wǎng)頁(yè)更新策略嚴(yán)重依賴網(wǎng)頁(yè)的歷史更新信息，因?yàn)檫@是能夠進(jìn)行后續(xù)計(jì)算的基礎(chǔ)。但在現(xiàn)實(shí)中為每個(gè)網(wǎng)頁(yè)保存歷史信息，搜索系統(tǒng)會(huì)增加 額外的負(fù)擔(dān)。從另外一個(gè)角度考慮，如果是首次爬取的網(wǎng)頁(yè)，因?yàn)闆](méi)有歷史信息，所以也就無(wú)法按照這兩種思路去預(yù)估其更新周期，聚類抽樣，策略即是為了解決上述缺點(diǎn)而提出的。網(wǎng)頁(yè)一般具有一些屬性，根據(jù)這些屬性可以預(yù)測(cè)其更新周期，具有相信屬性的網(wǎng)頁(yè)，其更新周期也是類似的。
通過(guò)以上對(duì)搜索引擎蜘蛛的爬取過(guò)程以及爬取策略進(jìn)行了簡(jiǎn)單的了解之后，你是否應(yīng)該有些考慮了？試著對(duì)自己的網(wǎng)站進(jìn)行改變了？以上的一些原因說(shuō)明了搜索引擎的更新是有規(guī)律以及有章法進(jìn)行的，要想更能適應(yīng)搜索引擎的更新原則和蜘蛛爬取原則，我們就應(yīng)該從更基礎(chǔ)的入手去進(jìn)行全面的分析和總結(jié)。
