抓取百度蜘蛛的工作原理

百度蜘蛛是一个程序其工作原理

第一搜索引擎构建一个调度程序来调度百度蜘蛛的工作蜘蛛在访问网站页面时类似与普通访客浏览让百度蜘蛛去和服务器建立连接下载网页计算的过程都是通过调度来计算的百度蜘蛛抓页面的时候从起始站点即种子站点指的是一些门户站点是广度优先抓取是为了抓取更多的网址深度优先抓取的目的是为了抓取高质量的网页这个策略是由调度来计算和分配的百度蜘蛛只负责抓取权重优先是指反向连接较多的页面的优先抓取这也是调度的一种策略百度蜘蛛只是负责下载网页 目前的搜索引擎普遍使用广布式多服务器多线程的百度蜘蛛来达到多线程的目的。理论上从一定范围地网页出发,就能搜集到绝大多数地网页。抓取顺序则是权重优先,门户类或者是反向连接较多的页面的优先抓取通过百度蜘蛛下载回来的网页放到补充数据区通过各种程序计算过后才放到检索区才会形成稳定的排名所以说只要下载回来的东西都可以通过指令找到补充数据是不稳定的有可能在各种计算的过程中给k掉检索区的数据排名是相对比较稳定的百度目前是缓存机制和补充数据相结合的正在向补充数据转变这也是目前百度收录困难的原因也是很多站点今天给k了明天又放出来的原因。一般情况下网页抓取抓到40%是正常范围 60%算很好 100%是不可能的 当然抓取的越多越好。

第二,抓取页面后的处理工作,搜索引擎抓到网页后还要做大量地预处理工作,最重要地就是提取关键词建立索引文件.其他还包括去除重复网页、分析超链接、计算网页地重要度。百度蜘蛛在从首页登陆后抓取首页后调度会计算其中所有的连接返回给百度蜘蛛进行下一步的抓取连接列表百度蜘蛛再进行下一步的抓取网址地图的作用是为了给百度蜘蛛提供一个抓取的方向来左右百度蜘蛛去抓取重要页面如何让百度蜘蛛知道那个页面是重要页面可以通过连接的构建来达到这个目的越多的页面指向该页 网址首页的指向副页面的指向等等都能提高该页的权重地图的另外一个作用是给百度蜘蛛提供更多的连接来达到抓去更多页面的目的地图其实就是一个连接的列表提供给百度蜘蛛来计算你的目录结构找到通过站内连接来构建的重要页面。

第三,提供检索工作,页面抓取处理完后,搜索引擎从索引数据库中找到匹配该关键词地网页;为了用户便于判断,除了网页标题和URL外 还会提供一段来自网页地摘要以及其他信息。检索工作完成后,用户在百度的搜索栏里就可以看到相关的信息.

文章由www.xiazhou2.c om www.xiazhou.net 整理上传转载请注明