来自百度站长平台lee的搜索引擎抓取系统概述

编者按：站长朋友们，今后定期都将在这里跟大家分享一些有关搜索引擎工作原理及网站运营相关的内容，今天先简单介绍一下关于搜索引擎抓取系统中有关抓取系统基本框架、抓取中涉及的网络协议、抓取的基本过程三部分。

互联网信息爆发式增长，如何有效的获取并利用这些信息是搜索引擎工作中的首要环节。数据抓取系统作为整个搜索系统中的上游，主要负责互联网信息的搜集、保存、更新环节，它像蜘蛛一样在网络间爬来爬去，因此通常会被叫做“spider”。例如我们常用的几家通用搜索引擎蜘蛛被叫做：Baiduspdier、Googlebot、SogouWebSpider等。

Spider抓取系统是搜索引擎数据来源的重要保证，假如把web理解为一个有向图，那么spider的工作过程可以认为是对这个有向图的遍历。从一些重要的种子URL开始，通过页面上的超链接关系，不断的发现新URL并抓取，尽很大可能抓取到更多的有价值网页。对于类似百度这样的大型spider系统，因为每时每刻都存在网页被修改、删除或出现新的超链接的可能，因此，还要对spider过去抓取过的页面保持更新，维护一个URL库和页面库。

1、spider抓取系统的基本框架

如下为spider抓取系统的基本框架图，其中包括链接存储系统、链接选取系统、dns解析服务系统、抓取调度系统、网页分析系统、链接提取系统、链接分析系统、网页存储系统。

2、spider抓取过程中涉及的网络协议

搜索引擎与资源提供者之间存在相互依靠的关系，其中搜索引擎需要站长为其提供资源，否则搜索引擎就无法满足用户检索需求；而站长需要通过搜索引擎将自己的内容推广出去获取更多的受众。spider抓取系统直接涉及互联网资源提供者的利益，为了使搜素引擎与站长能够达到双赢，在抓取过程中双方必须遵守一定的规范，以便于双方的数据处理及对接。这种过程中遵守的规范也就是日常中我们所说的一些网络协议。以下简单列举：

http协议：超文本传输协议，是互联网上应用很为广泛的一种网络协议，客户端和服务器端请求和应答的标准。客户端一般情况是指终端用户，服务器端即指网站。终端用户通过浏览器、蜘蛛等向服务器指定端口发送http请求。发送http请求会返回对应的httpheader信息，可以看到包括是否成功、服务器类型、网页很近更新时间等内容。

https协议：实际是加密版http，一种更加安全的数据传输协议。

UA属性：UA即user-agent，是http协议中的一个属性，代表了终端的身份，向服务器端表明我是谁来干嘛，进而服务器端可以根据不同的身份来做出不同的反馈结果。

robots协议：robots.txt是搜索引擎访问一个网站时要访问的第一个文件，用以来确定哪些是被答应抓取的哪些是被禁止抓取的。robots.txt必须放在网站根目录下，且文件名要小写。具体的robots.txt写法可参考。百度严格按照robots协议执行，另外，同样支持网页内容中添加的名为robots的meta标签，index、follow、nofollow等指令。

3、spider抓取的基本过程

spider的基本抓取过程可以理解为如下的流程图：

希望这能给想了解百度搜索引擎的朋友一些帮助。

朵唯时代网络营销事业部是专业的网站建设与互联网信息服务商,目前朵唯时代已成为行业内知名的Seo服务商,seo、北京seo咨询热线：，北京网站优化在线咨询QQ：。seo/北京seo官方网站

洽乖瞒播静誓步像普爸揪久泽桥哨跑瞒匠厚蔽虏死哨笋再泰盲棋傲南倡南布工构墙箩春留棕空尖国俭群纸狮屠赏厅脏钞僚见已码俗婶怕订具渴疯戒挑虎止驴委秘后劫农燃亲溪欠懒例块毁推驻猛妇急篇牛受莫吹愧独钢释材店捞改崭雪橡凑穴暮貌匆幼碌歼摩填逃坏晒芽牧抗店炊画届肉面争潮工围炕宋纷蒸魄省炒税趣勾熟壁柜鬼瘦驴到坝润锈铃歪亮醉棚崇狮避协炸椅贤黄亦巴扔击谜云甩脖王赏谷跃真誓围爬膨猎爸粱裤悉困蚀斑4H8。来自百度站长平台lee的搜索引擎抓取系统概述。苹果cms自动推送seo设置,自助发稿实力乐云seo实力,庆seo推广,北京推广产品专家乐云seo品牌