spider抓取过程中的策略

《spider抓取过程中的策略》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、spider抓取过程中的策略spider在抓収过程中血対着复杂的网络环境，为了使系统可以抓収到尽可能多的有价值资源并保持系统及实际环境中页而的一致性同时不给网站体验造成压力，会设计多种复杂的抓取策略。以下简单介绍一下抓取过程中涉及到的主要策略类型：1、抓収友好性：抓取压力调配降低对网站的访问压力2、常用抓取返回码示意3、多种url重定向的识另IJ4、抓収优先级调配5、重复url的过滤6、暗网数据的获取7、抓取反作弊8、提高抓取效率，高效利用带宽1、抓収友好性互联网资源庞人的数量级，这就要求抓取系统尽可能的高效利用

2、带宽，在有限的硬件和带宽资源下尽可能多的抓取到有价值资源。这就造成了另一个问题，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耍进行一定的抓取压力控制,达到既不影响网站的」E常川户访问又能尽量多的抓取到冇价值资源的目的。通常情况下，最基本的是基于ip的压力控制。这是因为如果皋于域名，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。实际屮，往往根据ip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，

3、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。对同一个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；其二，一段时间内的抓取流量。同一•站点不同的时间抓収速度也会不同，例如仮深人静月黑风高时候抓収的可能就会快一些，也视具体站点类型而定，主要思想是错开疋常用户访问高峰，不断的调整。对于不同站点，也需要不同的抓取速度。2、常用抓取返冋码示意简单介绍儿种百度支持的返回码:1)最常见的404代表“NOTFOUND”，认为网页已经火效，通常将在库中删除，同时短期

4、内如果spider再次发现这条url也不会抓収；2)5()3代表“ServiceUnavailable",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状态码，百度spider不会把这条url直接删除，同时愆期内将会反复访问几次，如果网页已恢复，则正常抓取；如果继续返回503,那么这条url仍会被认为是失效链接，从库中删除。3)403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儿次；如果是已收录url,不会直接

5、删除，短期内同样反复访问儿次。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也会被认为是失效链接,从库中删除。baike.techan.com4)301代表是“MovedPermanently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，我们推荐使用301返回码，同时使用站氏平台网站改版工具，以减少改版对网站流量造成的损失。3、多种uH重定向的识别互联网中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,就要求spider对url重定向进行识别判断

6、，同吋防止作弊行为。重定向可分为三类：http30x重定向、metarefresh重定向和js重定向。另夕卜，百度也支持Canonical标签，在效果上可以认为也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的巨大以及迅速的变化，对于搜索引擎來说全部抓取到并合理的更新保持一致性儿乎是不可能的事情，因此这就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等。每个策略各冇优劣，在实际情况中往往是多种策略结合使用以达到最优

7、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，如果还没冇抓取再进行抓取网页的行为并放在已抓取网址集合屮。判断是否已经抓取其中涉及到最核心的是快速杳找并对比，同时涉及到“1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血，这将视为同一个url来对待。6、昭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。一方血，很多网站的大量数据是存在于网络数据库屮，spider难以采用抓取网页的方式获得完整内容；另一方巴，由士网络环境、网站本身

8、不符合规范、孤岛等等问题，也会造成搜索引擎无法抓取。冃刖來说，对J•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來解决,例如“百度站长平台”“百度开放平台”等等。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困扰，这就耍求抓取系统中同样需要设计一套完善的抓取反作弊系统。例如分析第1特征、分析页面大小及内容、分析站点规模对