-
编者按:站长朋友们,今后定期都将在这里跟大家分享一些有关搜索引擎工作原理及网站运营相关的内容,今天先简单介绍一下关于搜索引擎抓取系统中有关抓取系统基本框架、抓取中涉及的网络协议、抓取的基本过程三部分。
互联网信息爆发式增长,如何有效的获取并利用这些信息是搜索引擎工作中的首要环节。数据抓取系统作为整个搜索系统中的上游,主要负责互联网信息的搜集、保存、更新环节,它像蜘蛛一样在网络间爬来爬去,因此通常会被叫做“spider”。例如我们常用的几家通用搜索引擎蜘蛛被叫做:Baiduspdier、Googlebot、Sogou Web Spider等。
Spider抓取系统是搜索引擎数据来源的重要保证,如果把web理解为一个有向图,那么spider的工作过程可以认为是对这个有向图的遍历。从一些重要的种子 URL开始,通过页面上的超链接关系,不断的发现新URL并抓取,尽最大可能抓取到更多的有价值网页。对于类似百度这样的大型spider系统,因为每时 每刻都存在网页被修改、删除或出现新的超链接的可能,因此,还要对spider过去抓取过的页面保持更新,维护一个URL库和页面库。
1、spider抓取系统的基本框架
如下为spider抓取系统的基本框架图,其中包括链接存储系统、链接选取系统、dns解析服务系统、抓取调度系统、网页分析系统、链接提取系统、链接分析系统、网页存储系统。
2、spider抓取过程中涉及的网络协议
搜索引擎与资源提供者之间存在相互依赖的关系,其中搜索引擎需要站长为其提供资源,否则搜索引擎就无法满足用户检索需求;而站长需要通过搜索引擎将自己的 内容推广出去获取更多的受众。spider抓取系统直接涉及互联网资源提供者的利益,为了使搜素引擎与站长能够达到双赢,在抓取过程中双方必须遵守一定的 规范,以便于双方的数据处理及对接。这种过程中遵守的规范也就是日常中我们所说的一些网络协议。以下简单列举:
http协议:超文本传输协议,是互联网上应用最为广泛的一种网络协议,客户端和服务器端请求和应答的标准。客户端一般情况是指终端用户,服务器端即指网 站。终端用户通过浏览器、蜘蛛等向服务器指定端口发送http请求。发送http请求会返回对应的httpheader信息,可以看到包括是否成功、服务 器类型、网页最近更新时间等内容。
https协议:实际是加密版http,一种更加安全的数据传输协议。
UA属性:UA即user-agent,是http协议中的一个属性,代表了终端的身份,向服务器端表明我是谁来干嘛,进而服务器端可以根据不同的身份来做出不同的反馈结果。
robots协议:robots.txt是搜索引擎访问一个网站时要访问的第一个文件,用以来确定哪些是被允许抓取的哪些是被禁止抓取的。 robots.txt必须放在网站根目录下,且文件名要小写。详细的robots.txt写法可参考 http://www.robotstxt.org 。百度严格按照robots协议执行,另外,同样支持网页内容中添加的名为robots的meta标 签,index、follow、nofollow等指令。
3、spider抓取的基本过程
spider的基本抓取过程可以理解为如下的流程图:
文章地址:百度站长平台
顶: 0 踩: 0相关阅读:
来源:卢松松博客 QQ/微信:13340454
百度:搜索引擎抓取系统概述
| 阅读量 | 分类: 好文分享 | 作者: 卢松松
相关文章阅读更多:百度 搜索引擎
- 2024-09-27 别人都在百度云智大会上吹,我就说点别的……
- 2024-09-14 百度起诉知名站长工具5118
- 2024-07-27 萝卜快跑可能要凉凉了!
- 2024-07-24 萝卜快跑背后:网约车司机不应成为所有人的就业底线
- 2024-07-22 当年的百度贴吧是最好用的社交平台,可惜了
- 2024-07-18 这位少年说长大开AI公司,收购百度
- 2024-07-11 百度将成为中国最大的出租车运营公司
- 2024-07-01 网传江苏本地最大的百度总代倒闭
- 2024-06-07 谁能赢?阿里的通义 VS 百度的文心
- 2024-06-05 百度最终还是错过了最重要的风口
- 2024-05-10 璩静是为了薅百度羊毛
- 2024-05-07 为了老板李彦宏,百度公关豁出去了
- 2024-04-17 李总别拉踩AI同行了
- 2024-04-12 李彦宏放话:百度AI大模型绝不抢开发者饭碗
- 2021-09-08凡是在卢松松博客投稿的作者都有机会得到IT类图书哦!
发表感想加入微信群
重庆礼品
囧闻囧事
苹果醋饮料
无敌手即将过期域名查询抢注
万能平板打印机
推广者博客
囧
扫一扫
近视眼手术
seo思维
心江湖
360推广开户
哈秀时尚
360知道
广州万程微波设备有限公司