搜索研究论文-简析搜索引擎的网络爬虫技术

《搜索研究论文-简析搜索引擎的网络爬虫技术》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、搜索研宄论文-简析搜索引擎的网络爬虫技术简析搜索引擎的网络爬虫技术1网络爬虫技术网络爬虫也称为“文档抽取系统”，是构成第三代搜索引擎系统的重要组成部分之一，主要由文档适配器与信息爬行器组成，文档适配器能够处理不同类型的文档，信息爬行器主要进行页面信息的收集工作，文档抽取子系统首先根据配置文件的约定，定时产生信息爬行器对分布在网络上的信息节点进行遍历，然后调用对应的文档适配器来抽取网络文档信息。文档适配器能够抽取的页面文件种类繁多，能够对各种类型的文档以及多媒体文本信息等。信息爬行器为计算机程序的一个进程或线程，通常采用并发工作

2、方式，以便能可能多、周期尽可能短地搜集网络节点的页面信息，同时还要避免死链接或无效链接。信息爬行器一般采用分布式并行计算技术来提高工作的广度与速度2图的遍历算法网络爬虫在网络中执行信息收集的过程实际上就是一种图的遍历的遍历算法通常有两种方式：即广度优先算法与深度优先算法。下面就具体介绍一下两种算法。通常深度优先算法使用的数据结构为栈，通过栈的出入特点进行搜索，其过程首先从该图的某个顶点或者子出发，将所有属于该子图的顶点信息的链接地址进行压栈操作，待所有顶点都操作完成后，然后将栈顶的元素取出根据该元素的URL，访问该元素URL所

3、指向的网络，然后将该页面的信息进行收集与分析，从而得到该页面内部的所有的URL连接信息，再将该页面所有的连接信息进行压栈从而按照图的广度将图上所有的链接进行展开操作，重复这些步骤就可以对图进行深度搜索遍历，达到遍历收集所有互联网信息资源的目的。深度优先搜索算法在展开页面链接时总是从栈顶进行展开，因此随着时间的增加，栈的深度也在不断增加，位于底部的元素可能会长时间不能进行处理，从而造成该算法陷入一个大的页面而不能继续展开遍历。为了避免这一问题，可以采用广度优先搜索算法，广度优先搜索算法是通过队列这种数据结构进行展开的，根据各个元

4、素节点距离最初节点的层次对所有的网络节点进行遍历，从而对每个节点都能够在访问全网一次的时间内进行公平处理，克服了深度优先算法陷入局部节点的不足，也保证了不会漏掉队列后面的的元素，从而达到了公平对待互联网上所有节点资源的目的。在广度优先算法中，根据是否已经对节点进行访问，将爬行队列构造为两部分：即待爬行队列与己爬行队列。待爬行队列主要存储需要进行访问的元素节点URL,而URL在队列中的先后顺序则体现了算法的爬行策略。而已爬行队列则主要存储已经访问过的URL,由于该队列的长度随着时间的增加不断增长，因此需要优化该队列的插入与查询操

5、作；在网络爬虫的爬行过程中，不论是带爬行队列还是已爬行队列，都需要频繁进行插入与查询操作。因此，该队列数据结构的性能会直接影响搜索引擎的搜集性能。对爬行器来说，网页的采集与解析是核心工作。而爬行程序是否高效，主要取决于网页采集的效率。其过程分为5个步骤：1）将待爬行队列的第一个元素取出；2）访问DNS服务器，对URL进行域名解析；3）根据ROBOT网络协议，获取该URL服务器的权限；4）若得到访问权限，则对服务器发出URL请求；5）通过HTTP协议进行访问。网络爬虫在工作时，若频繁访问DNS服务器，可能会造成比较繁重的网络负担

6、，引起服务器响应以及网络延迟，会降低爬行程序的效率。因此，通常在本地服务器上建立一个DNS缓存来降低对DNS服务器的访问频率。同时，为了提高爬行程序的效率，通常采用多线程或者多进程来对网页采集程序进行流水线处理，多线程与多进程程序设计相对比较复杂，需要解决的问题主要是进程的同步和互斥；也就是解决多个线程或进程共享资源的问题。造成死锁的情况通常是占有一个资源然后又请求另一资源，因此，若系统只存在一个共享资源就不会造成会死锁。为了解决饿死问题，通常只采用一个等待对列，若待爬行队列处于使用状态，则将要访问该队列的线程插入等待队列。而

7、队列的特点能够保证了所有的等待线程都公平对待，从而解决了饿死问题。具体算法如下：1）对爬行队列上锁。若爬行队列己经上锁，则将该线程或进程插入等待对列。2）取出待爬行队列的URL元素。3）对爬行队列解锁，然后唤醒下一个进程或线程。4）访问页面，将页面中的URL进行解析。5）对爬行队列上锁。如爬行队列己上锁，则插入等待对列。6）将步骤4）得到的URL插入对列。7）对爬行队列解锁，唤醒下一个进程或线程。8）重复1）——7）直到结束。3页面解析在解决了互联网节点页面遍历的问题后，网络爬虫剩下的工作就是页面解析，页面解析主要是分析与理解

8、HTML文档。HTML作为一种标记语言，能够对互联网节点的页面外观进行标准化处理，从而规范互联网节点页面的外观与功能。实际上，超文本标记语言就是以普通文本为基础，通过增加各种表现样式以及字体、颜色标签来实现文档的规范化。通常各种标签都用双箭头进行标识，而文本信息则位于之间。图