對于搜索引擎來說，要抓取互聯(lián)網(wǎng)上所有的網(wǎng)頁幾乎是不可能的。那么蜘蛛是怎么抓取的呢?今天創(chuàng)新互聯(lián)就繼續(xù)來討論：搜索引擎的工作原理還有哪些?一起來看看!

從目前公布的數(shù)據(jù)來看，容量大的搜索引擎也不過是抓取了整個網(wǎng)頁數(shù)量的40%左右。這其中的原因一方面是抓取技術(shù)的瓶頸，無法遍歷所有的網(wǎng)頁，有許多網(wǎng)頁無法從其他網(wǎng)頁的鏈接中找到;另一方面是存儲技術(shù)和處理技術(shù)的問題。如果按照每個頁面的平均大小為20K計算(包含圖片)，100億網(wǎng)頁的容量是100-2000G字節(jié)。即使能過存儲，下載也存在問題(按照一臺機器每秒下載20K計算，需要240臺機器不停地下載一年時間，才能把所有網(wǎng)頁下載完畢)。

同時，由于數(shù)據(jù)量太大，在提供搜索時也會有效率方面的影響。因此，許多搜索引擎的搜索引擎蜘蛛只是抓取哪些重要的網(wǎng)頁，而在抓取的時候，評價重要性主要的依據(jù)是某個網(wǎng)頁的鏈接深度。

在抓取網(wǎng)頁的時候，搜索引擎蜘蛛一般有兩種策略：廣度優(yōu)先和深度優(yōu)先。廣度優(yōu)先是指搜索引擎蜘蛛會先抓取起始網(wǎng)頁中鏈接的所有網(wǎng)頁，然后再選擇其中一個鏈接網(wǎng)頁，繼續(xù)花去在此網(wǎng)頁中鏈接的所有網(wǎng)頁。這是最常用的方式，因為這個方法可以讓搜索引擎并行處理，提高其抓取速度。深度優(yōu)先是指搜索引擎蜘蛛會從起始頁開始，一個鏈接一個鏈接跟蹤下去，處理完這條線路之后再轉(zhuǎn)入下一個起始頁，繼續(xù)跟蹤鏈接。這個方法有個優(yōu)點是搜索引擎蜘蛛在設(shè)計的時候比較容易。

由于不可能抓取所有的網(wǎng)頁，有些搜索引擎蜘蛛對一些不太重要的網(wǎng)站，設(shè)置了訪問的層數(shù)如下圖，A為起始網(wǎng)頁，屬于0層，B、C、D、E、F屬于第1層，G、H屬于第2層，I屬于第3層。如果搜索引擎蜘蛛設(shè)置的訪問層數(shù)為2的話，網(wǎng)頁I是不會被訪問到的。這也讓有些網(wǎng)站上的一部分網(wǎng)頁能夠在搜索引擎上搜索到，另外一部分不能被搜索到。對于網(wǎng)站設(shè)計者來說，扁平化的網(wǎng)站結(jié)構(gòu)設(shè)計有助于搜索引擎抓取其更多的網(wǎng)頁。

搜索引擎蜘蛛在訪問網(wǎng)站網(wǎng)頁的時候，經(jīng)常會遇到加密數(shù)據(jù)和為網(wǎng)頁權(quán)限的問題，有些網(wǎng)頁是需要有會員權(quán)限才能訪問的。當(dāng)然，網(wǎng)站的所有者可以通過協(xié)議讓搜索引擎只注意不去抓取，但對于一些出售報告的網(wǎng)站，他們希望搜索引擎能搜索到他們的報告，但又不能完全免費地讓搜索者查看，這樣就需要給搜索引擎蜘蛛提供相應(yīng)的用戶名和密碼。搜索引擎蜘蛛可以通過所給的權(quán)限對這些網(wǎng)頁進行網(wǎng)頁抓取，從而提供搜索。而當(dāng)搜索者點擊查看該網(wǎng)頁的時候，同樣需要搜索者提供相應(yīng)的權(quán)限驗證。

網(wǎng)頁題目：專業(yè)SEO技術(shù)：蜘蛛spider的抓取方式
URL地址：http://www.rwnh.cn/news18/23518.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供自適應(yīng)網(wǎng)站、網(wǎng)站導(dǎo)航、移動網(wǎng)站建設(shè)、定制網(wǎng)站、建站公司、微信小程序

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，我們將會在第一時間刪除。文章觀點不代表本網(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)載時需注明來源： 創(chuàng)新互聯(lián)