之前與大家分享了關(guān)于搜索引擎抓取系統(tǒng)中有關(guān)抓取系統(tǒng)基本框架、抓取中涉及的網(wǎng)絡(luò)協(xié)議、抓取的基本過程的內(nèi)容，今天將于大家分享搜索引擎抓取系統(tǒng)第二部分內(nèi)容-spider抓取過程中的策略。
spider在抓取過程中面對(duì)著復(fù)雜的網(wǎng)絡(luò)環(huán)境，為了使系統(tǒng)可以抓取到盡可能多的有價(jià)值資源并保持系統(tǒng)及實(shí)際環(huán)境中頁面的一致性同時(shí)不給網(wǎng)站體驗(yàn)造成壓力，會(huì)設(shè)計(jì)多種復(fù)雜的抓取策略。以下簡(jiǎn)單介紹一下抓取過程中涉及到的主要策略類型：
1、抓取友好性：抓取壓力調(diào)配降低對(duì)網(wǎng)站的訪問壓力
2、常用抓取返回碼示意
3、多種url重定向的識(shí)別
4、抓取優(yōu)先級(jí)調(diào)配
5、重復(fù)url的過濾
6、暗網(wǎng)數(shù)據(jù)的獲取
7、抓取反作弊
8、提高抓取效率，高效利用帶寬
1、抓取友好性
互聯(lián)網(wǎng)資源龐大的數(shù)量級(jí)，這就要求抓取系統(tǒng)盡可能的高效利用帶寬，在有限的硬件和帶寬資源下盡可能多的抓取到有價(jià)值資源。這就造成了另一個(gè)問題，耗費(fèi)被抓網(wǎng)站的帶寬造成訪問壓力，如果程度過大將直接影響被抓網(wǎng)站的正常用戶訪問行為。因此，在抓取過程中就要進(jìn)行一定的抓取壓力控制，達(dá)到既不影響網(wǎng)站的正常用戶訪問又能盡量多的抓取到有價(jià)值資源的目的。
通常情況下，最基本的是基于ip的壓力控制。這是因?yàn)槿绻谟蛎赡艽嬖谝粋�(gè)域名對(duì)多個(gè)ip（很多大網(wǎng)站）或多個(gè)域名對(duì)應(yīng)同一個(gè)ip（小網(wǎng)站共享ip）的問題。實(shí)際中，往往根據(jù)ip及域名的多種條件進(jìn)行壓力調(diào)配控制。同時(shí)，站長(zhǎng)平臺(tái)也推出了壓力反饋工具，站長(zhǎng)可以人工調(diào)配對(duì)自己網(wǎng)站的抓取壓力，這時(shí)百度spider將優(yōu)先按照站長(zhǎng)的要求進(jìn)行抓取壓力控制。
對(duì)同一個(gè)站點(diǎn)的抓取速度控制一般分為兩類：其一，一段時(shí)間內(nèi)的抓取頻率；其二，一段時(shí)間內(nèi)的抓取流量。同一站點(diǎn)不同的時(shí)間抓取速度也會(huì)不同，例如夜深人靜月黑風(fēng)高時(shí)候抓取的可能就會(huì)快一些，也視具體站點(diǎn)類型而定，主要思想是錯(cuò)開正常用戶訪問高峰，不斷的調(diào)整。對(duì)于不同站點(diǎn)，也需要不同的抓取速度。
2、常用抓取返回碼示意
簡(jiǎn)單介紹幾種百度支持的返回碼：
1） 最常見的404代表“NOT FOUND”,認(rèn)為網(wǎng)頁已經(jīng)失效，通常將在庫中刪除，同時(shí)短期內(nèi)如果spider再次發(fā)現(xiàn)這條url也不會(huì)抓取；
2） 503代表“Service Unavailable”,認(rèn)為網(wǎng)頁臨時(shí)不可訪問，通常網(wǎng)站臨時(shí)關(guān)閉，帶寬有限等會(huì)產(chǎn)生這種情況。對(duì)于網(wǎng)頁返回503狀態(tài)碼，百度spider不會(huì)把這條url直接刪除，同時(shí)短期內(nèi)將會(huì)反復(fù)訪問幾次，如果網(wǎng)頁已恢復(fù)，則正常抓取；如果繼續(xù)返回503,那么這條url仍會(huì)被認(rèn)為是失效鏈接，從庫中刪除。
3） 403代表“Forbidden”,認(rèn)為網(wǎng)頁目前禁止訪問。如果是新url,spider暫時(shí)不抓取，短期內(nèi)同樣會(huì)反復(fù)訪問幾次；如果是已收錄url,不會(huì)直接刪除，短期內(nèi)同樣反復(fù)訪問幾次。如果網(wǎng)頁正常訪問，則正常抓取；如果仍然禁止訪問，那么這條url也會(huì)被認(rèn)為是失效鏈接，從庫中刪除。
4）301 代表是“Moved Permanently”,認(rèn)為網(wǎng)頁重定向至新url.當(dāng)遇到站點(diǎn)遷移、域名更換、站點(diǎn)改版的情況時(shí)，我們推薦使用301返回碼，同時(shí)使用站長(zhǎng)平臺(tái)網(wǎng)站改版工具，以減少改版對(duì)網(wǎng)站流量造成的損失。
3、多種url重定向的識(shí)別
互聯(lián)網(wǎng)中一部分網(wǎng)頁因?yàn)楦鞣N各樣的原因存在url重定向狀態(tài)，為了對(duì)這部分資源正常抓取，就要求spider對(duì)url重定向進(jìn)行識(shí)別判斷，同時(shí)防止作弊行為。重定向可分為三類：http 30x重定向、meta refresh重定向和js重定向。另外，百度也支持Canonical標(biāo)簽，在效果上可以認(rèn)為也是一種間接的重定向。
4、抓取優(yōu)先級(jí)調(diào)配
由于互聯(lián)網(wǎng)資源規(guī)模的巨大以及迅速的變化，對(duì)于搜索引擎來說全部抓取到并合理的更新保持一致性幾乎是不可能的事情，因此這就要求抓取系統(tǒng)設(shè)計(jì)一套合理的抓取優(yōu)先級(jí)調(diào)配策略。主要包括：深度優(yōu)先遍歷策略、寬度優(yōu)先遍歷策略、pr優(yōu)先策略、反鏈策略、社會(huì)化分享指導(dǎo)策略等等。每個(gè)策略各有優(yōu)劣，在實(shí)際情況中往往是多種策略結(jié)合使用以達(dá)到最優(yōu)的抓取效果。
5、重復(fù)url的過濾
spider在抓取過程中需要判斷一個(gè)頁面是否已經(jīng)抓取過了，如果還沒有抓取再進(jìn)行抓取網(wǎng)頁的行為并放在已抓取網(wǎng)址集合中。判斷是否已經(jīng)抓取其中涉及到最核心的是快速查找并對(duì)比，同時(shí)涉及到url歸一化識(shí)別，例如一個(gè)url中包含大量無效參數(shù)而實(shí)際是同一個(gè)頁面，這將視為同一個(gè)url來對(duì)待。
6、暗網(wǎng)數(shù)據(jù)的獲取
互聯(lián)網(wǎng)中存在著大量的搜索引擎暫時(shí)無法抓取到的數(shù)據(jù)，被稱為暗網(wǎng)數(shù)據(jù)。一方面，很多網(wǎng)站的大量數(shù)據(jù)是存在于網(wǎng)絡(luò)數(shù)據(jù)庫中，spider難以采用抓取網(wǎng)頁的方式獲得完整內(nèi)容；另一方面，由于網(wǎng)絡(luò)環(huán)境、網(wǎng)站本身不符合規(guī)范、孤島等等問題，也會(huì)造成搜索引擎無法抓取。目前來說，對(duì)于暗網(wǎng)數(shù)據(jù)的獲取主要思路仍然是通過開放平臺(tái)采用數(shù)據(jù)提交的方式來解決，例如“百度站長(zhǎng)平臺(tái)”“百度開放平臺(tái)”等等。
7、抓取反作弊
spider在抓取過程中往往會(huì)遇到所謂抓取黑洞或者面臨大量低質(zhì)量頁面的困擾，這就要求抓取系統(tǒng)中同樣需要設(shè)計(jì)一套完善的抓取反作弊系統(tǒng)。例如分析url特征、分析頁面大小及內(nèi)容、分析站點(diǎn)規(guī)模對(duì)應(yīng)抓取規(guī)模等等。
以上簡(jiǎn)單介紹了抓取過程中涉及到的主要策略，每一個(gè)策略中都包含很多細(xì)節(jié)內(nèi)容，可能對(duì)于一個(gè)網(wǎng)站的抓取都會(huì)產(chǎn)生影響。大家對(duì)哪部分有疑問可以直接提出來，我們一起來探討。
