搜索引擎抓取策略类型

发布：2017-12-20 20:36:35 浏览：3041

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，最基本的是基于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最常见的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，以达到最优的抓取效果。

(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最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。