第一階段：大小通吃

搜索引擎的網(wǎng)頁抓取都是采取「大小通吃」的策略，也就是把網(wǎng)頁中能發(fā)現(xiàn)的鏈接逐一加入到待抓取URL中，機(jī)械性的將新抓取的網(wǎng)頁中的URL提取出來，這種方式雖然比較古老，但效果很好，這就是為什么很多站長反應(yīng)蜘蛛來訪問了，但沒有收錄的原因，這僅僅是第一階段。

第二階段：網(wǎng)頁評(píng)級(jí)

而第二階段則是對(duì)網(wǎng)頁的重要性進(jìn)行評(píng)級(jí)，PageRank是一種著名的鏈接分析算法，可以用來衡量網(wǎng)頁的重要性，很自然的，站長可以用PageRank的思路來對(duì)URL進(jìn)行排序，這就是各位熱衷的「發(fā)外鏈」，據(jù)一位朋友了解，在中國「發(fā)外鏈」這個(gè)市場每年有上億元的規(guī)模。    

爬蟲的目的就是去下載網(wǎng)頁，但PageRank是個(gè)全局性算法，也就是當(dāng)所有網(wǎng)頁有下載完成后，其計(jì)算結(jié)果才是可靠的。對(duì)于中小網(wǎng)站來講，服務(wù)器如果質(zhì)量不好，如果在抓取過程中，只看到部分內(nèi)容，在抓取階段是無法獲得可靠的PageRank得分。

第三階段：OCIP策略

OCIP策略更像是PageRank算法的改進(jìn)。在算法開始之前，每個(gè)網(wǎng)頁都給予相同的「現(xiàn)金」，每當(dāng)下載某個(gè)頁面A后，A將自己的「現(xiàn)金」平均分給頁面中包含的鏈接頁面，把自己的「現(xiàn)金」清空。這就是為什么導(dǎo)出的鏈接越少，權(quán)重會(huì)越高的原因之一。

而對(duì)于待抓取的網(wǎng)頁，會(huì)根據(jù)手頭擁有的現(xiàn)金多少排序，優(yōu)先下載現(xiàn)金最充裕的網(wǎng)頁，OCIP大致與PageRank思路一致，區(qū)別在于：PageRank每次要迭代計(jì)算，而OCIP則不需要，所以計(jì)算速度遠(yuǎn)遠(yuǎn)快于PageRank，適合實(shí)時(shí)計(jì)算使用。這可能就是為什么很多網(wǎng)頁會(huì)出現(xiàn)「秒收」的情況了。

第四階段：大站優(yōu)先策略。

大站優(yōu)先的思路很直接，以網(wǎng)站為單位來衡量網(wǎng)頁的重要性，對(duì)于待抓取的URL隊(duì)列中的網(wǎng)頁，根據(jù)所述網(wǎng)站歸類，如果哪個(gè)網(wǎng)站等待下載的頁面最多，則優(yōu)先下載這些鏈接。其本質(zhì)思想是「傾向于優(yōu)先下載大型網(wǎng)站URL」。因?yàn)榇笮途W(wǎng)站往往包含更多的頁面。鑒于大型網(wǎng)站往往是名站，其網(wǎng)頁質(zhì)量一般較高，所以這個(gè)思路雖然簡單，但有一定依據(jù)。

實(shí)驗(yàn)表明這個(gè)算法雖然簡單粗暴，但卻能收錄高質(zhì)量網(wǎng)頁，很有效果。這也是為什么許多網(wǎng)站的內(nèi)容被轉(zhuǎn)載后，大站卻能排到你前面的最重要原因之一。

許余波博客：http://xuyubo.cn，轉(zhuǎn)載請(qǐng)注明！

標(biāo)簽： 算法 搜索引擎 網(wǎng)頁 

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。