一、了解爬行器或爬行蜘蛛

我们知道，之所以我们能够在百度、谷歌中很快地找到我们需要的信息，就是因为在百度和谷歌这样的搜索引擎中，已经预先为我们收录了大量的信息。不管是哪方面的信息，不管是很早以前的，还是最近更新的，都能够在搜索引擎中找到。

那么，既然搜索引擎需要预先收录这些大量的信息，那么它就必须到这个浩瀚的互联网世界是抓取这些信息。据报道，全球网民已经达到十几亿的规模了，那么这十几亿网民中，可想而知，每天能够产生多少信息？搜索引擎又有何能耐把这么多的信息收录在自己的信息库中？它又如何做到以最快的速度取得这些信息的呢？

首先，了解什么是爬行器（crawler），或叫爬行蜘蛛（spider）。称谓很多，但指的都是同一种东西，都是描述搜索引擎派出的蜘蛛机器人在互联网上探测新信息。而各个搜索引擎对自己的爬行器都有不同的称谓：百度的叫Baiduspider；Google的叫Googlebot，MSN的叫MSNbot，Yahoo则称为Slurp。这些爬行器其实是用计算机语言编制的程序，用以在互联网中不分昼夜的访问各个网站，将访问的每个网页信息以最快的速度带回自己的大本营。

二、搜索引擎每次能带回多少信息

要想这些爬行蜘蛛每次能够最大最多的带回信息，仅仅依靠一个爬行蜘蛛在互联网上不停的抓取网页肯定是不够的。所以，搜索引擎通过都会派出很多个爬行蜘蛛，让它们通过浏览器上安装的搜索工具栏，或网站主从搜索引擎提交页面提交而来的网站为入口开始爬行，爬行到各个网页，然后通过每个网页的超级链接进入下一个页面，这样不断的继续下去……

搜索引擎并不会将整个网页的信息全部都取回来，有些网页信息量很大，搜索引擎都只会取得每个网页最有价值的信息，一般如：标题、描述、关键词等。所以，通过只会取得一个页面的头部信息，而且也只会跟着少量的链接走。百度大概一次最多能抓走120KB的信息，谷歌大约能带走100KB左右的信息，因此，如果想你的网站大部分网页信息都被搜索引擎带走的话，那么就不要把网页设计得太长，内容太多。这样，对于搜索引擎来说，既能够快速阅读，又能够带走所有信息。

三、蜘蛛们是如何爬行的？

所有的蜘蛛的工作原理都是首先从网络中抓取各种信息回来，放置于数据仓库里。为什么称为数据仓库？因为此时的数据是杂乱无章的，还是胡乱的堆放在一起的。因此，此时的信息也是不会出现在搜索结果中的，这就是为什么有些网页明明有蜘蛛来访问过，但是在网页中还不能找到结果的原因。

搜索引擎将从网络中抓取回来的所有资料，然后通过关键字描述等相关信息进行分门别类整理，压缩后，再编类到索引里，还有一部分抓取回来经过分析发现无效的信息则会被丢弃。只有经过编辑在索引下的信息，才能够在搜索结果中出现。最后，搜索引擎则经过用户敲击进的关键字进行分析，为用户找出最为接近的结果，再通过关联度由近及远排列下来，呈现在最终用户眼前。

其大致过程如下图：

四、重点介绍Google搜索引擎

Google搜索引擎使用两个爬行器来抓取网页内容，分别是：Freshbot和Deepbot。深度爬行器（Deepbot）每月执行一次，其受访的内容在Google的主要索引中，而刷新爬行器（Freshbot）则是昼夜不停的在网络上发现新的信息和资源，之后再频繁地进行访问和更新。因为，一般Google第一次发现的或比较新的网站就在Freshbot的名单中进行访问了。

Freshbot的结果是保存在另一个单独的数据库中的，由于Freshbot是不停的工作，不停的刷新访问内容，因些，被它发现或更新的网页在其执行的时候都会被重写。而且这些内容是和Google主要索引器一同提供搜索结果的。而之前某些网站在一开始被Google收入，但是没几天，这些信息就在Google的搜索结果中消失了，直到一两个月过去了，结果又重新出现在Google的主索引中。这就是由于Freshbot在不停的更新和刷新内容，而Deepbot要每月才出击一次，所以这些在Freshbot里的结果还没有来得及更新到主索引中，又被新的内容代替掉。直到Deepbot重新来访问这一页，收录才真正进入Google的主索引数据库中！

【相关链接】

搜索引擎优化教程(一)：认识搜索引擎优化

本文章始发于“独语斜栏”个人博客：http://www.nannannan.com/post/28.html转载请注明出处。