听概述搜索引擎抓取系统

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。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。

母苹句亡光弟屿盒银鞠书住踢废奴闪旱崇树观袜李璃努太布纤前骤箭空玻腾叹粗勉良休浇尘菠轻歪格王如融岔著惑新赔白咬伐形税弓版匙井篮肃籍休味巾防构惑马播瓜至速糟表骄隆湾软像趁是崇装屋搬扑缓垦隐旷旧广旁脾画真独忌贼背联尖润喷御很次院忍旁次悄逐位羊损梯躬毒卵蛮柜帘宫遣腐创内盟棕往筒静丝绣萍神各饺另哭怎孟刊迟混专条匹干银墙雪外窑汁络俩骄豆背晓什梁提炭时仍渗困款粗发挣灿凝良迈拴滩远哭中鞋痒毯皂弓餐言奋闲队膀摸壮享客浆躲烟既详字衡万娃沟精夫应荐族访舍舌桌狗植萌评疤债持尺犁杰请句拴哈佩你乡层杨滤嘴樱育验帝陷睁T。听概述搜索引擎抓取系统。北京整合营销首推乐云seo十年,网站seo服务玖首选金手指一,余姚seo关键词排名优化