網(wǎng)絡(luò)爬蟲(chóng)原理：通用爬蟲(chóng)如何獲取頁(yè)面內(nèi)容？

更新時(shí)間:2020年09月18日15時(shí)38分來(lái)源:傳智播客瀏覽次數(shù):

通用爬蟲(chóng)是一個(gè)自動(dòng)提取網(wǎng)頁(yè)的程序，它為搜索引擎從Internet網(wǎng)上下載網(wǎng)頁(yè)，是搜索引擎的重要組成部分。

通用爬蟲(chóng)從一個(gè)或若干初始網(wǎng)頁(yè)的URL開(kāi)始，獲得初始網(wǎng)頁(yè)上的URL，在抓取網(wǎng)頁(yè)的過(guò)程中，不斷從當(dāng)前頁(yè)面上抽取新的URL放入隊(duì)列，直到滿足系統(tǒng)的一定停止條件。圖1演示了通用爬蟲(chóng)抓取網(wǎng)頁(yè)的流程。

爬蟲(chóng)工作原理

通用網(wǎng)絡(luò)爬蟲(chóng)從互聯(lián)網(wǎng)中搜集網(wǎng)頁(yè)，采集信息，這些網(wǎng)頁(yè)信息用于為搜索引擎建立索引提供支持，它決定著整個(gè)引擎系統(tǒng)的內(nèi)容是否豐富，信息是否及時(shí)，因此其性能的優(yōu)劣直接影響著搜索引擎的效果。

但是，用于搜索引擎的通用爬蟲(chóng)其爬行行為需要符合一定的規(guī)則，遵從一些命令或文件的內(nèi)容，如標(biāo)注為nofollow的鏈接，或者是Robots協(xié)議(后續(xù)會(huì)有相關(guān)介紹)。

多學(xué)一招：搜索引擎的工作流程

搜索引擎是通用爬蟲(chóng)的最重要應(yīng)用領(lǐng)域，也是大家使用網(wǎng)絡(luò)功能時(shí)的最大助手。接下來(lái)就為大家介紹搜索引擎的工作流程，其主要包含以下幾個(gè)步驟。

1. 抓取網(wǎng)頁(yè)

搜索引擎使用通用爬蟲(chóng)來(lái)抓取網(wǎng)頁(yè)，其基本工作流程與其他爬蟲(chóng)類似，大致步驟如下：

(1)首先選取一部分的種子URL，將這些URL放入待抓取URL隊(duì)列;

(2)取出待抓取URL，解析DNS得到主機(jī)的IP，并將URL對(duì)應(yīng)的網(wǎng)頁(yè)下載下來(lái)，存儲(chǔ)進(jìn)已下載網(wǎng)頁(yè)庫(kù)中，并且將這些URL放進(jìn)已抓取URL隊(duì)列。

(3)分析已抓取URL隊(duì)列中的URL，分析其中的其他URL，并且將URL放入待抓取URL隊(duì)列，從而進(jìn)入下一個(gè)循環(huán)。

那么，搜索引擎如何獲取一個(gè)新網(wǎng)站的URL?

(1)新網(wǎng)站向搜索引擎主動(dòng)提交網(wǎng)址：(如百度http://zhanzhang.baidu.com/linksubmit/url)。

(2)在其他網(wǎng)站上設(shè)置新網(wǎng)站外鏈(盡可能處于搜索引擎爬蟲(chóng)爬取范圍)。

(3)搜索引擎和DNS解析服務(wù)商(如DNSPod等)合作，新網(wǎng)站域名將被迅速抓取。

2. 數(shù)據(jù)存儲(chǔ)

搜索引擎通過(guò)爬蟲(chóng)爬取到網(wǎng)頁(yè)后，將數(shù)據(jù)存入原始頁(yè)面數(shù)據(jù)庫(kù)。其中的頁(yè)面數(shù)據(jù)與用戶瀏覽器得到的HTML是完全一樣的。

搜索引擎蜘蛛在抓取頁(yè)面時(shí)，也做一定的重復(fù)內(nèi)容檢測(cè)，一旦遇到訪問(wèn)權(quán)重很低的網(wǎng)站上有大量抄襲、采集或者復(fù)制的內(nèi)容，很可能就不再爬行。

3. 預(yù)處理

搜索引擎將爬蟲(chóng)抓取回來(lái)的頁(yè)面，進(jìn)行各種步驟的預(yù)處理，包括：

·提取文字

·中文分詞

·消除噪音(比如版權(quán)聲明文字、導(dǎo)航條、廣告等……)

·索引處理

·鏈接關(guān)系計(jì)算

·特殊文件處理

·....

除了HTML文件外，搜索引擎通常還能抓取和索引以文字為基礎(chǔ)的多種文件類型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我們?cè)谒阉鹘Y(jié)果中也經(jīng)常會(huì)看到這些文件類型。

但搜索引擎還不能處理圖片、視頻、Flash這類非文字內(nèi)容，也不能執(zhí)行腳本和程序。

4. 提供檢索服務(wù)，網(wǎng)站排名

搜索引擎在對(duì)信息進(jìn)行組織和處理后，為用戶提供關(guān)鍵字檢索服務(wù)，將用戶檢索相關(guān)的信息展示給用戶。

同時(shí)會(huì)根據(jù)頁(yè)面的PageRank值(鏈接的訪問(wèn)量排名)來(lái)進(jìn)行網(wǎng)站排名，這樣Rank值高的網(wǎng)站在搜索結(jié)果中會(huì)排名較前，當(dāng)然也可以直接付費(fèi)購(gòu)買(mǎi)搜索引擎網(wǎng)站排名，付費(fèi)購(gòu)買(mǎi)排名是搜索引擎公司的盈利業(yè)務(wù)之一。

圖2演示了搜索引擎的工作原理和主要組成部分。

搜索引擎