【白皮書(shū)解讀搜索引擎的工作原理】建庫(kù)

導(dǎo)讀：搜索引擎工作原理是什么？今天來(lái)講講蜘蛛的抓取建庫(kù)。

本文解讀的是：《百度官方課程抓取建庫(kù)》

1、spider抓取系統(tǒng)

2、spider抓取指標(biāo)

一、spider抓取系統(tǒng)

百度蜘蛛抓取建庫(kù)是個(gè)極其復(fù)雜的系統(tǒng)工程，光是抓取系統(tǒng)就分為鏈接存儲(chǔ)系統(tǒng)、鏈接選取系統(tǒng)、DNS解析服務(wù)系統(tǒng)、抓取調(diào)度系統(tǒng)、網(wǎng)頁(yè)分析系統(tǒng)、鏈接提取系統(tǒng)、鏈接分析系統(tǒng)、網(wǎng)頁(yè)存儲(chǔ)系統(tǒng)。

如果不好理解的話，你可以理解為一個(gè)抓取程序，分為以上幾個(gè)功能模塊，功能相互配合完成抓取程序，我個(gè)人分析，根據(jù)百度蜘蛛的情況來(lái)看，目前百度抓取的IP段在220,116段，116開(kāi)頭IP在于陽(yáng)泉（李彥宏老家），因此我們不妨推測(cè)出這樣一個(gè)觀點(diǎn)，我們看到一個(gè)個(gè)的蜘蛛IP，就是對(duì)應(yīng)的這些電腦主機(jī)，而這些電腦上就裝著抓取程序。

二、spider抓取指標(biāo)

我們按照蜘蛛抓取流程來(lái)說(shuō)，一個(gè)蜘蛛爬到網(wǎng)站后，首先去訪問(wèn)robots.txt的協(xié)議文件，遵循協(xié)議中的規(guī)則，該爬哪里不該爬哪里，然后通過(guò)抓取后通過(guò)抓取返回碼去做下一步動(dòng)作，比如抓取a.com/123.html，返回碼是404，那么此條信息就告訴百度這條信息已經(jīng)失效，如果此條已收錄，就從庫(kù)中刪除，同時(shí)蜘蛛再次訪問(wèn)url也不會(huì)抓取此鏈接。在百度蜘蛛抓取的過(guò)程中，如果你實(shí)時(shí)監(jiān)測(cè)蜘蛛的時(shí)間就會(huì)發(fā)現(xiàn)一點(diǎn)，有的站內(nèi)蜘蛛爬取很頻繁，有的站內(nèi)很久才有蜘蛛訪問(wèn)，造成這種結(jié)果有兩個(gè)原因，一個(gè)是百度服務(wù)器任務(wù)處理采取分布式處理，所以蜘蛛抓取通道有阻塞，因此有時(shí)間上的差異，排除通道阻塞，站內(nèi)內(nèi)容多少和外鏈引入蜘蛛也是一個(gè)影響蜘蛛爬取的一個(gè)關(guān)鍵因素。

spider在抓取頁(yè)面過(guò)程需判斷頁(yè)面是否抓取，沒(méi)有抓取就會(huì)被放到抓取序列中處理，已抓取就會(huì)對(duì)比庫(kù)中是否有同樣并歸一處理。

在公認(rèn)的spider指標(biāo)中，有四大指標(biāo)：

1、網(wǎng)站更新頻率，更新快多來(lái)，更新慢少來(lái)，這也是為什么很多站一天更新上萬(wàn)篇的原因，一定程度上可以直接提高收錄幾率。

2、網(wǎng)站內(nèi)容質(zhì)量高低。優(yōu)質(zhì)內(nèi)容爬取頻繁，低不爬或少爬。什么是優(yōu)質(zhì)內(nèi)容？之前一篇文章有提到過(guò)。

3、服務(wù)器穩(wěn)定、不卡頓和打開(kāi)流暢。

4、站點(diǎn)評(píng)級(jí)。（已實(shí)錘不是權(quán)重，而是更高級(jí)的站點(diǎn)評(píng)級(jí)）評(píng)級(jí)是動(dòng)態(tài)參數(shù)，是配合其他因子進(jìn)行算法計(jì)算到閾值變化的變量。評(píng)級(jí)會(huì)影響網(wǎng)站的收錄和排序。

文章首發(fā)迅步，原文鏈接：https://www.91xb.cn/5279.html