全國咨詢/投訴熱線:400-618-4000

球探网足球即时指数:網絡爬蟲原理:通用爬蟲如何獲取頁面內容?

踢球者即时指数比分 www.148329.live 更新時間:2020年09月18日15時38分 來源:傳智播客 瀏覽次數:

通用爬蟲是一個自動提取網頁的程序,它為搜索引擎從Internet網上下載網頁,是搜索引擎的重要組成部分。

通用爬蟲從一個或若干初始網頁的URL開始,獲得初始網頁上的URL,在抓取網頁的過程中,不斷從當前頁面上抽取新的URL放入隊列,直到滿足系統的一定停止條件。圖1演示了通用爬蟲抓取網頁的流程。

爬蟲工作原理


通用網絡爬蟲從互聯網中搜集網頁,采集信息,這些網頁信息用于為搜索引擎建立索引提供支持,它決定著整個引擎系統的內容是否豐富,信息是否及時,因此其性能的優劣直接影響著搜索引擎的效果。

但是,用于搜索引擎的通用爬蟲其爬行行為需要符合一定的規則,遵從一些命令或文件的內容,如標注為nofollow的鏈接,或者是Robots協議(后續會有相關介紹)。

多學一招:搜索引擎的工作流程

搜索引擎是通用爬蟲的最重要應用領域,也是大家使用網絡功能時的最大助手。接下來就為大家介紹搜索引擎的工作流程,其主要包含以下幾個步驟。

1. 抓取網頁

搜索引擎使用通用爬蟲來抓取網頁,其基本工作流程與其他爬蟲類似,大致步驟如下:

(1)首先選取一部分的種子URL,將這些URL放入待抓取URL隊列;

(2)取出待抓取URL,解析DNS得到主機的IP,并將URL對應的網頁下載下來,存儲進已下載網頁庫中,并且將這些URL放進已抓取URL隊列。

(3)分析已抓取URL隊列中的URL,分析其中的其他URL,并且將URL放入待抓取URL隊列,從而進入下一個循環。

那么,搜索引擎如何獲取一個新網站的URL?

(1)新網站向搜索引擎主動提交網址:(如百度//zhanzhang.baidu.com/linksubmit/url)。

(2)在其他網站上設置新網站外鏈(盡可能處于搜索引擎爬蟲爬取范圍)。

(3)搜索引擎和DNS解析服務商(如DNSPod等)合作,新網站域名將被迅速抓取。

2. 數據存儲

搜索引擎通過爬蟲爬取到網頁后,將數據存入原始頁面數據庫。其中的頁面數據與用戶瀏覽器得到的HTML是完全一樣的。

搜索引擎蜘蛛在抓取頁面時,也做一定的重復內容檢測,一旦遇到訪問權重很低的網站上有大量抄襲、采集或者復制的內容,很可能就不再爬行。

3. 預處理

搜索引擎將爬蟲抓取回來的頁面,進行各種步驟的預處理,包括:

·提取文字

·中文分詞

·消除噪音(比如版權聲明文字、導航條、廣告等……)

·索引處理

·鏈接關系計算

·特殊文件處理

·....

除了HTML文件外,搜索引擎通?;鼓蘢ト『退饕暈淖治〉畝嘀治募嘈?,如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我們在搜索結果中也經?;崢吹秸廡┪募嘈?。

但搜索引擎還不能處理圖片、視頻、Flash這類非文字內容,也不能執行腳本和程序。

4. 提供檢索服務,網站排名

搜索引擎在對信息進行組織和處理后,為用戶提供關鍵字檢索服務,將用戶檢索相關的信息展示給用戶。

同時會根據頁面的PageRank值(鏈接的訪問量排名)來進行網站排名,這樣Rank值高的網站在搜索結果中會排名較前,當然也可以直接付費購買搜索引擎網站排名,付費購買排名是搜索引擎公司的盈利業務之一。

圖2演示了搜索引擎的工作原理和主要組成部分。

搜索引擎

猜你喜歡:

Python爬蟲視頻教程:Python爬蟲項目教程下載

python爬蟲可以用來做什么?

爬蟲分類分析:網絡爬蟲有哪些分類?

python爬蟲視頻教程

Python高級程序員培訓課程

{ganrao} 排列5中奖规则及奖金 散户做期货死是必然的 浙江11选5带坐标走势图 体彩排列五近十期开奖号码 一分11选5的计划软件 金惠配资 河南11选5 快乐彩12胆拖玩法 股票涨跌涨幅振幅 瑞银网 贵州11选5五码遗漏 000408股票行情 意大利pk10下载 河北排列7几号开奖 甘肃11选5 福建体彩11选5开