搜索引擎中网络爬虫的设计分析(转)

说的简单易懂一些，网络爬虫跟你使用的〖离线阅读〗工具差不多。说离线，其实还是要跟网络联结，否则怎么抓东西下来？那么不同的地方在哪里？

　　1）网络爬虫高度可配置性。

　　2）网络爬虫可以解析抓到的网页里的链接

　　3）网络爬虫有简单的存储配置

　　4）网络爬虫拥有智能的根据网页更新分析功能

　　5）网络爬虫的效率相当的高

　　那么依据特征，其实也就是要求了，如何设计爬虫呢？要注意哪些步骤呢？

　　1）url 的遍历和纪录

　　这点 larbin 做得非常的好，其实对于url的遍历是很简单的，例如：

　　cat [what you got]　 tr \" \\n 　 gawk '{print $2}' 　 pcregrep ^http://

　　就可以得到一个所由的 url 列表

　　2）多进程 VS 多线程

　　各有优点了，现在一台普通的PC 例如 booso.com 一天可以轻松爬下5个G的数据。大约20万网页。

　　3）时间更新控制

　　最傻的做法是没有时间更新权重，一通的爬，回头再一通的爬。

　　通常在下一次爬的的数据要跟上一次进行比较，如果连续5次都没有变化，那么将爬这个网页的时间间隔扩大1倍。

　　如果一个网页在连续5次爬取的时候都有更新，那么将设置的爬取时间缩短为原来的1／2。

　　注意，效率是取胜的关键之一。

　　4）爬的深度是多少呢？

　　看情况了。如果你比较牛，有几万台服务器做网络爬虫，我劝您跳过这一点。

　　如果你同我一样只有一台服务器做网络爬虫，那么这样一个统计您应该知道：

　　 网页深度：网页个数：网页重要程度

　　0 : 1 : : 10

　　1 :20 : :8

　　2: :600: :5

　　3: :2000: :2

　　4 above: 6000: 一般无法计算

　　 好了，爬到三级就差不多了，再深入一是数据量扩大了3／4倍，二是重要度确下降了许多，这叫做“种下的是龙种，收获的是跳蚤。

　　5）爬虫一般不之间爬对方的网页，一般是通过一个Proxy出去，这个proxy有缓解压力的功能，因为当对方的网页没有更新的时候，只要拿到 header 的 tag就可以了，没有必要全部传输一次了，可以大大节约网络带宽。

　　apache webserver里面纪录的 304 一般就是被cache的了。

　　 6）请有空的时候照看一下robots.txt

　　 7）存储结构。

　　这个人人见智，google 用 gfs 系统，如果你有7／8台服务器，我劝你用NFS系统，要是你有70／80个服务器的话我建议你用afs 系统，要是你只有一台服务器，那么随便。

　　 给一个代码片断，是我写的新闻搜索引擎是如何进行数据存储的：

　　 NAME=`echo $URL 　perl -p -e 's/([^\w\-\.\@])/$1 eq "\n" ? "\n":sprintf("%%%2.2x",ord($1))/eg'`mkdir -p $AUTHOR

　　newscrawl.pl$URL--user-agent="news.booso.com+(+http://booso.com)"-outfile=$AUTHOR/$NAME

特别是注意以下几句：

　　1.通常在下一次爬的的数据要跟上一次进行比较，如果连续5次都没有变化，那么将爬这个网页的时间间隔扩大1倍，如果一个网页在连续5次爬取的时候都有更新，那么将设置的爬取时间缩短为原来的1／2。

　　 网页更新频度严重影响着搜索引擎蜘蛛程度对网站的爬行，爬取次数越多意味着网页收录几率会越大、收录数量越多，收录是SEO最基础的一个环节。

　　2.好了，爬到三级就差不多了，再深入一是数据量扩大了3／4倍，二是重要度确下降了许多，这叫做“种下的是龙种，收获的是跳蚤。

　　尽量将网站保持在三级目录内，深层次的网页会给搜索引擎带来很大的压力，当然，我想Google有足够的服务器来承担这些压力，但从侧面来说，3层目录下的网页被抓取及更新的频度要低很多。前面，我说过，要想办法使网站物理结构和逻辑结构吻合，这体现于URL的良好设计，现在你可以检查下前台生成的静态网页的实际目录有几层，考虑是否可以优化。