搜索引擎用來(lái)爬行和訪問(wèn)頁(yè)面的程序被稱為蜘蛛工，也稱為機(jī)器人(bot)。搜索引擎蜘蛛訪問(wèn)網(wǎng)站頁(yè)面時(shí)類似于普通用戶使用的瀏覽器。蜘蛛程序發(fā)出頁(yè)面訪問(wèn)請(qǐng)求后，服務(wù)器返回HTML代碼，蜘蛛程序把收到的代 碼存入原始頁(yè)面數(shù)據(jù)庫(kù)。搜索引擎為了提高爬行和抓取速度，都使用多個(gè)蜘蛛并發(fā)分布爬行。
　　 一、robots.txt文件
　　蜘蛛訪問(wèn)任何一個(gè)網(wǎng)站時(shí)，都會(huì)先訪問(wèn)網(wǎng)站根目錄下的robots.txt文件。如果robots.txt文件禁止搜素引擎抓取某些文件或目錄。蜘蛛將 遵守協(xié)議，不抓取被禁止的網(wǎng)址。
　　和瀏覽器一樣，搜索引擎蜘蛛也有標(biāo)明自己身份的代理名稱，站長(zhǎng)可以在日志文件中看到搜索引擎的特定代理名稱，從而辨識(shí)搜索引擎蜘 蛛。下面列出常見(jiàn)的搜索引攀蜘蛛名稱：
　　 二、跟蹤鏈接
　　為了抓取網(wǎng)上盡量多的頁(yè)面，搜索引擎蜘蛛會(huì)跟蹤頁(yè)面上的鏈接，從一個(gè)頁(yè)面爬到下一個(gè)頁(yè)面，就好像蜘蛛在蜘蛛網(wǎng)上爬行那樣，這也就 是搜索引擎蜘蛛這個(gè)名稱的由來(lái)。
　　整個(gè)互聯(lián)網(wǎng)是由相互鏈接的網(wǎng)站及頁(yè)面組成的。從理論上說(shuō)，蜘蛛從任何一個(gè)頁(yè)面出發(fā)，順著鏈接都可以爬行到網(wǎng)上的擁有 頁(yè)面。當(dāng)然， 由于網(wǎng)站及頁(yè)面鏈接結(jié)構(gòu)異常復(fù)雜，蜘蛛需要采取一定的爬行策略才能遍歷網(wǎng)上擁有 頁(yè)面。
　　更 簡(jiǎn)單的爬行遍歷策略分為兩種，一種是深度優(yōu)先，另一種是廣度優(yōu)先。
　　所謂深度優(yōu)先，指的是蜘蛛沿著發(fā)現(xiàn)的鏈接一直向前爬行，直到前面再也沒(méi)有其他鏈接，然后返回到 個(gè)頁(yè)面，沿著另一個(gè)鏈接再一直 往前爬行。
　　蜘蛛跟蹤鏈接，從A頁(yè)面爬行到Al，A2，A3，A4，到A4頁(yè)面后，己經(jīng)沒(méi)有其他鏈接可以跟蹤就返回A頁(yè)面，順著頁(yè)面上的另一個(gè)鏈接，爬行 到B1，B2,B3，B4。在深度優(yōu)先策略中，蜘蛛一直爬到無(wú)法再向前，才返回爬另一條線。
　　廣度優(yōu)先是指蜘蛛在一個(gè)頁(yè)面上發(fā)現(xiàn)多個(gè)鏈接時(shí)，不是順著一個(gè)鏈接一直向前，而是把頁(yè)面上擁有 層鏈接都爬一遍，然后再沿著第二 層頁(yè)面上發(fā)現(xiàn)的鏈接爬向第三層頁(yè)面。比如，我的一個(gè)站點(diǎn)，股票入門大家可以去看下，研究下。
　　還有就是蜘蛛從A頁(yè)面順著鏈接爬行到Al，B1，C1頁(yè)面，直到A頁(yè)面上的擁有 鏈接都爬行完，然后再?gòu)腁1頁(yè)面發(fā)現(xiàn)的下一層鏈接，爬行到A2 ，A3，A4，從理論上說(shuō)，無(wú)論是深度優(yōu)先還是廣度優(yōu)先，只要給蜘蛛足夠的時(shí)間，都能爬完整個(gè)互聯(lián)網(wǎng)。在實(shí)際工作中，蜘蛛的帶寬資源 ，時(shí)間都不是無(wú)限的。也不可能爬完擁有 頁(yè)面。實(shí)際上更大 的搜索引擎也只是爬行和收錄了互聯(lián)網(wǎng)的一小部分。
版權(quán)聲明：本站部分文章，由 鄭州路普科技整理發(fā)表(信息來(lái)自互聯(lián)網(wǎng),不代表本站觀點(diǎn))，如有冒犯請(qǐng)聯(lián)系我們
網(wǎng)頁(yè)標(biāo)簽：百度冰桶算法4.5影響