網(wǎng)頁抓取優(yōu)先策略也稱為“頁面選擇問題”(page Selection),通常是盡可能地首先抓取重要性的網(wǎng)頁，這樣保證在有限的資源內(nèi)盡可能地照顧到那些重要性高的網(wǎng)頁。那么哪些網(wǎng)頁才是重要性高的呢？如何量化重要性呢？

重要性度量由鏈接歡迎度、鏈接重要度和平均鏈接深度這個(gè)方面決定。

定義鏈接歡迎度為IB(p)，它主要由反向鏈接(Backinks)的數(shù)目和質(zhì)量決定。首先考察數(shù)目，直觀地講，一個(gè)網(wǎng)頁有越多的鏈接指向它（反向鏈接數(shù)多），那么表示其他網(wǎng)頁對其的認(rèn)可。同時(shí)這個(gè)網(wǎng)頁被網(wǎng)民訪問的機(jī)會(huì)就大，推測出其重要性也就越高;其次考察質(zhì)量，如果被越多的重要性高的網(wǎng)指向，那么其重要性也就越高。如果不考慮質(zhì)量，就會(huì)出現(xiàn)局部最優(yōu)，而不是全局最優(yōu)的問題。最典型的就是作弊網(wǎng)頁，人為地在一些網(wǎng)頁中設(shè)置了大量反策鏈接指向其自身的網(wǎng)頁，以提高該網(wǎng)頁的重要性。如果不考慮鏈接質(zhì)量，就會(huì)被這些作弊者所利用。

定義鏈接重要度為IL(p)，它是一個(gè)關(guān)于URL字符串的函數(shù)，僅僅考察字符串本身。鏈接重要度主要通過一些模式，比如認(rèn)為包含“.COM”或者“HOME”的URL重要度高，以及具有較少斜杠(Slash)的URL重要度高等。

定義平均鏈接深度為ID(p),此為筆者所創(chuàng)。ID(p)表示在一個(gè)種子站點(diǎn)集合中，每個(gè)種子站點(diǎn)如果存在一條鏈路（寬度優(yōu)先遍歷規(guī)則）到達(dá)該網(wǎng)頁，那么平均鏈接深度就是這個(gè)網(wǎng)頁的又一個(gè)重要性指標(biāo)。因?yàn)榫嚯x種子站點(diǎn)越近，說明被訪問的機(jī)會(huì)越多，離種子站點(diǎn)越遠(yuǎn)，重要性越低。事實(shí)上，按照寬度優(yōu)先的遍歷規(guī)則即可滿足這種重要性高的網(wǎng)頁被優(yōu)先抓取的需要。

最后，定義網(wǎng)頁重要性的度量為I(p)，它由以上兩個(gè)量化值線性決定，即：

I(p)＝a*IB(p)+β*IL(p)

平均鏈接深度同寬度優(yōu)先的遍歷規(guī)則保證，因此不作為重要性評(píng)價(jià)的指標(biāo)。在抓取能力有限的情況下，如果能夠把重要性高的網(wǎng)頁盡可能地抓完，是合理科學(xué)的，最終被用戶查詢到的網(wǎng)頁也往往是那些重要性高的網(wǎng)頁。

盡管這樣看來已經(jīng)足夠好，事實(shí)上，還是忽視了一個(gè)重要的要素－－時(shí)間。時(shí)間導(dǎo)致萬維網(wǎng)動(dòng)態(tài)變化的一面。如何抓取那些新增的網(wǎng)頁呢？如何重訪那些被修改了的網(wǎng)頁呢？如何發(fā)現(xiàn)那些被刪除了的網(wǎng)頁呢？為了保持和萬維網(wǎng)網(wǎng)頁的同步變化，就必須有網(wǎng)頁重訪策略。通過該策略可以識(shí)別增加、修改及刪除網(wǎng)頁這3種網(wǎng)頁變化的情況。

本文標(biāo)題：網(wǎng)頁抓取優(yōu)先策略
分享鏈接：http://www.rwnh.cn/news/183451.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供響應(yīng)式網(wǎng)站、Google、外貿(mào)建站、云服務(wù)器、網(wǎng)站改版、電子商務(wù)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)