搜索引擎抓取策略类型

来源:设计经验分享网
添加时间:2024年02月
摘要:其实Baiduspider在抓取过程中面对的是一个超级复杂的网络环境.为了使系统可以抓取到尽可能多的有价值的资源,并保持系统及实际环境中页面的一致性,同时不给网站体验造成压力,须设计多种复杂的抓取策略。 其实Baiduspider在抓取过程中面对的是一个超级复杂的网络环境.为了使系统可以抓取到尽可能多的有价值的资源,并保持系统及实际环境中页面的一致性,同时不给网站体验造成压力,须设计多种复杂的抓取策略。



下面作一简单介绍:

(1)抓取友好性
互联网资源庞大的数量级,要求抓取系统尽可能地高效利用带宽,在有限的硬件和带宽资源下尽可能多地抓取到有价值的资源。这就造成另一个问题:耗费被抓网站的带宽造成访问压力,如果程度过大,将直接影响被抓网站的正常用户访问行为。因此,在抓取过程中就要进行一定的抓取压力控制,达到既不影响网站的正常用户访问又能尽量多地抓取到有价值资源的目的。
通常,更基本的是基于IP的压力控制。因为如果基于域名,可能存在一个域名对多个IP(很多大网站)或多个域名对应同一个IP(小网站共享IP)的问题。实际中往往根据P及域名的多种条件进行压力调配控制。同时,站长平台也推出了压力反馈工具,站长可以人工调配对自己网站的抓取压力,这时!百度spider将优先按照站长的要求进行抓取压力控制。
对同一站点的抓取速度控制一般分为两类:
其一,一段时间内的抓取频率;
其二,段时间内的抓取流量。
同一站点不同的时间抓取速度也不同。例如,夜晚抓取的可能就会快一些,也视具体站点类型而定,主要思想是错开正常用户访问高峰,不断调整。对于不同站点,也需要不同的抓取速度。

(2)常用抓取返回码示意
下面简单介绍几种百度支持的返回码。
①更常见的404代表“NOTFOUND”,认为网页已经失效,通常将在库中删除,同时短期内如果spider再次发现这条URL.也不会抓取。
②503代表“Serviceunavailabl,认为网页临时不可访问,通常网站临时关闭,带宽有限等会产生这种情况。对于网页返回503百度spider不会把这条url直接删除,同时短期内将会反复访问几次,如果网页已恢复,则正常抓取;如果继续503状态码,那么这条URL仍会被认为是失效链接,从库中删除。
③403代表Forbidden,认为网页目前禁止访问。如果是新URL,spider暂时不抓取,短期内同样会反复访问几次;如果是已收录UHL,不会直接删除,短期内同样反复访认为是失效链接,从库中删除。问几次。如果网页正常访问,则正常抓取;如果仍然禁止访问,那么这条URL也会被。
④301代表“Moved”认为网页重定向至新URL当遇到站点迁移域名更换、站点改版的情况时,推荐使用301返回码,同田时使用站长平台网站改版工具,以减少改版对网站流量造成的损失。

(3)多种URL重定向的识别
互联网中的一部分网页因为各种各样的原因存在URL重定向状态,为了对这部分资源正常抓取,要求spider对URL重定向进行识别判断,同时防止作弊行为。重定向可分为三类:htp30x重定向、metarefresh重定向和js重定向。另外,百度也支持Canonical标签,在效果上也可以认为是一种间接的重定向。

(4)抓取优先级调配
由于互联网资源规模巨大以及变化迅速,对于搜索引擎来说,全部抓取到并合理地更新,保持一致性几乎是不可能的事情,因此要求抓取系统设计一套合理的抓取优先级调配策略,主要包括深度优先遍历策略、宽度优先遍历策略、pr优先策略、反链策略、社会化分享指导策略等。每个策略各有优劣,在实际情况中往往是多种策略结合使用,以达到更优的抓取效果。

(5)重复URL的过滤
spider在抓取过程中需要判断一个页面是否已经抓取过了,如果还没有抓取,再进行抓取网页的行为,并放在已抓取网址集合中。判断是否已经抓取其中涉及更核心的是快速查找并对比,同时于涉及URL归一化识别。例如,一个URL中包含大量无效参数,而实际是同一个页面,这将视为同一个URL来对待。

(6)暗网数据的获取
互联网中存在着大量的搜索引擎暂时无法抓取到的数据,被称为暗网数据。一方面,很多网站的大量数据存在于网络数据库中,spider难以采用抓取网页的方式获得完整内容;另一方面,由于网络环境、网站本身不符合规范、孤岛等问题,也会造成搜索引擎无法抓取。目前,对于暗网数据的获取,主要思路仍然是通过开放平台采用数据提交的方式来解决,如“百度站长平台”“百度开放平台”等。

(7)抓取反作弊
spider在抓取过程中往往会遇到所谓抓取黑洞,或者面临大量低质量页面的因扰这就要求抓取系统中同样需要设计一套完善的抓取反作弊系统。例如,分析URL特征分析页面大小及内容、分析站点规模对应抓取规模等。Spider抓取系统是搜索引擎数据来源的重要保证,这对于网站制作、网站建设、网站设计者来说就是机遇和突破口,具体的做法就千差万别了。
 

平面设计相关资讯推荐阅读:


做网页制作需要注意哪些细节呢深圳网页建设公司分享:网页内容营销必备的7件事常见网页建设公司主要有哪些类别如何利用截屏方式为品牌制作话题-深圳网页设计公司分享网页改版会不会增加成本有改版的必要吗网页建设的个性化定制是否可以挽救传统纸媒遭遇的窘境好的网页企业网页应当从哪一方面开展分辨网页制作的准备工作深圳福田网页建设网络公司,网页关键词优化不上来的原因是什么网页内容是企业网页的王牌手表行业网页设计的要点介绍香港特区政府网页做好阻挡黑客入侵准备公司建立网页时需要解决的困惑认准用户需求,做好我们的网页有关进行第十二批空壳类办理备案数据清理工作中的通知 网页页面设计哪家不错 手机网页建设如何进行维护利用CDN网页优化过度的反应有哪些深圳网页建设解析产品推广的4个特征域名选择的误区你的网页够高端吗看着几点!网页设计的主题要如何确定基本建设一个企业网页一般必须花销要多少钱好的网页才能吸引住客户的眼球网页设计的四个误区科技-企业网页建设规划时所需要注意的问题一览!搜索引擎成为第二大互联网应用用户量达5.95亿教育行业网页建设之个性化的在线教育网页在改版过程中要注意什么深圳网页建设中的三个重要细节横向扩展数据中心手机网页建设的五大要点 有实力的网页设计联系方式网页域名和服务器空间的常识如何建立品牌网页网页开发的组成部分是哪些为何你制作的网页无法让用户满意科技解析:京东手Q一级入口与微信的4个差异化营销型网页基本建设有什么特色如何在网页设计中显示独特的图片好的网页建设公司有哪些标准企业网页建设生存之道在于差异化盘点!网页建设的主要类型做优秀的网页建设的基础是什么资讯网页开发小技巧网页建设中细节的重要性如何使网页优化更好辽阳市财政局完善加强门户网页建设科技-建设响应式企业网页需要时所必须注意的问题有哪些深圳企业网页设计,如何设计一个有效的网页关键词、内容、外链有哪些稳定要素官网设计需要遵守哪些原则SEOER对网页优化的理解手机网页建设的注意事项及优化常识如何做一个使用户有好心情的网页传统企业现今面临哪些方面的挑战-深圳网页设计分享 服务专业的网页设计模板制作费用中小企业网页建设规划纲要网页交互设计,应该有哪些网页交互体验要素
网站备案号:豫ICP备2024041165号