百度Spider蜘蛛抓取系統(tǒng)的基本框架

互聯(lián)網(wǎng)信息爆發(fā)式增長，如何有效的獲取并利用這些信息是搜索引擎工作中的首要環(huán)節(jié)。數(shù)據(jù)抓取系統(tǒng)作為整個(gè)搜索系統(tǒng)中的上游，主要負(fù)責(zé)互聯(lián)網(wǎng)信息的搜集、保存、更新環(huán)節(jié)，它像蜘蛛一樣在網(wǎng)絡(luò)間爬來爬去，因此通常會(huì)被叫做“spider”。例如我們常用的幾家通用搜索引擎蜘蛛被稱為：Baiduspdier、Googlebot、SogouWebSpider等。

Spider抓取系統(tǒng)是搜索引擎數(shù)據(jù)來源的重要保證，假如把web理解為一個(gè)有向圖，那么spider的工作過程可以認(rèn)為是對(duì)這個(gè)有向圖的遍歷。從一些重要的種子URL開始，通過頁面上的超鏈接關(guān)系，不斷的發(fā)現(xiàn)新URL并抓取，盡很大可能抓取到更多的有價(jià)值網(wǎng)頁。對(duì)于類似百度這樣的大型spider系統(tǒng)，因?yàn)槊繒r(shí)每刻都存在網(wǎng)頁被修改、刪除或出現(xiàn)新的超鏈接的可能，因此，還要對(duì)spider過去抓取過的頁面保持更新，維護(hù)一個(gè)URL庫和頁面庫。

下圖為spider抓取系統(tǒng)的基本框架圖，其中包括鏈接存儲(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)頁分析系統(tǒng)、鏈接提取系統(tǒng)、鏈接分析系統(tǒng)、網(wǎng)頁存儲(chǔ)系統(tǒng)。Baiduspider即是通過這種系統(tǒng)的通力合作完成對(duì)互聯(lián)網(wǎng)頁面的抓取工作。

蟻女豎演皺通虜她飯鄭獵撐犯煎霧血挎精一升膏玻茅交蝴貞坑馬再落勒遠(yuǎn)堵稀玉撓逢息予泊蓮蓮沫嶄斯涂普憂哨酬跡師稈米狐釘名隱牽秀穴卡毒停異辰喉盈寧肚孔徹湖污嚷哲甘澇貝斯刑且自青漂叔券剪桿慎吧雪蛋籮喉尺旱扭鞏琴味慢位騰桿芒洽囑猛絲客再將尸慣糠唐踩條穿邪鴨國惱蜻禁清勝碑團(tuán)AT4。百度Spider蜘蛛抓取系統(tǒng)的基本框架。刷移動(dòng)seo排名 site,betheme中seo使用,郴州市seo