最近在看一本书，发现当我们不实践直接看原理是枯燥无味的，而实践过后反过来看原理，会觉得很多道理，很多感悟。就拿我自己做反面教材，说我是搜索引擎优化工作者，我对搜索引擎的工作方式和基本的抓取原理，更新策略都不懂。那么你呢？下面就分享下我的读书笔记，仅当新人扫盲。

在介绍搜索引擎爬虫的之前，首先了解爬虫把网页的分类，四种：

1，已过期的网页和已下载的网页

2，待下载的网页

3，可知网页

4，不可知网页

下面我会详细介绍搜索引擎是如何更新已下载网页，如何下载待下载网页，如何处理可知但未抓取的网页，如何抓取不可知网页。

一．处理待下载网页

抓取策略：在一堆可知的网页中，搜索引擎会抽出待抓取网页url，爬虫抓取网页url在其中顺序排列，形成一个队列，调度程序每次从队列头取出某个url，发送给网页下载器下载内容，每个新下载的页面包含的url会追加到带抓取队列中的末尾，形成循环，这是最基础的算法。但不是唯一的方法。

这样纯粹是按照顺序抓取，但是搜索引擎一般都选择重要的页面优先抓取。网页重要性，大部分是按照网页流行度抓取的，所为网页流行度，谷歌官方有句话是指曝光度，通俗意思就是反向链接。（所以才有那么多人做外链）

一般有四种方案选择重要页面：宽度优先遍历策略，非完全pagerank（非谷歌pr值）策略，ocip策略，大站优先策略

1、宽度优先遍历策略:将新下载的网页包含的链接直接追加到带抓取url队列末尾。看似很机械，其实包含了一些优先策略：如果入链比较多，就更加容易被宽度优先遍历策略抓取到，入链个数侧面表现了网页的重要性。（这就是为什么要做好站内链接）

2、非完全pagerank：前面的是以数量来定的，这个是加入了质量。

初始算法：将已下载的的网页加入待下载url队列中形成网页集合，在这个集合中计算pr,然后将带抓取的队列按照pr重新排列，就按照这个顺序抓取。

（每次新下载网页之后又要重新计算排序，显得效率太低了）

每当攒够k个网页之后在重新计算。但是问题是：新抽出来的网页没后计算pr没有pr值，他们的重要性可能比已经在队列中的要高怎么办？

解决办法：给每个新抽出来赋予一个临时pr，这个临时pr是根据入链传到的pr值汇总的值。这样在计算下，如果比队列中高就有限抓取他。这就是非完全pr

（pr高的会优先抓取，收录多排名靠前机会也大一些，所以会有那么多人提高spr）

3、ocip（online page importance computation）策略：在线页面重要性，改进的pr算法。

算法开始之前就每个页面都给一样的现金，，当这个页面被下载了以后，这个现金就平均分给他的导出页面，而自己的就清空。这些导出页面放在带抓取的队列中，按照现金多少来优先抓取。

和pr区别:pr上一个页面的不清空，每次都要迭代重新计算，而这个不用重新计算都清空了。而且pr存在无连接关系的跳转，而这个只要无连接就不传递现金。

4、大站优先：带抓取队列中哪个网站的多就优先抓取哪个。（所以网站页面要丰富，内容要丰富）

二、更新已下载网页

上面就是搜索引擎的抓取策略。抓取完了的页面就加入已下载的网页中，已下载的网页需要不断地更新，那么搜索引擎又是如何更新的呢？

一般的网页更新策略：历史参考策略，用户体验策略，聚类抽样策略

1、历史参考：过去频繁更新的，现在可能也频繁。利用模型预测未来更新时间。忽略导航栏和广告的频繁更新，所以导航的频繁更新没用，重在内容（现在知道为什么更新内容要持续，有规律了吧）

2、用户体验：即使网页已经过时了，需要更新了，但如果我更新了不影响用户体验搜索引擎就晚些更新。算法是：网页更新对搜索引擎搜索质量的影响（一般看排名），影响大就尽快更新。所以他们会保存多个历史网页，根据以前更新所带来的影响判断更新对搜索引擎质量的影响大小。

以上两种缺点：依赖历史，要保存很多历史数据，增加负担。如果没有历史记录就不准确了。

3、聚类抽样策略：把网页分类，根据同一类别网页更新频率更新所有这一类别的网页。抽取最具代表性的，看他的更新频率，以后同行业的都按照这个频率。

三、抓取不可知网页

不可知的网页就是暗网，搜索引擎很难用常规方法抓取到的数据。比如没有连接的网站，数据库。比如一个产品库存查询，可能要输入产品名称，地区，型号一系列文本才能查询库存数量。而搜索引擎是难以抓取的。这就有了查询组合和，isit算法。

先介绍下两个概念：

1、富含信息查询模版：就比如一个查询系统，我设定一个查询模版，每个文本框输入什么信号，地区，产品名称等，形成不同的查询组合。不同的组合之间差异很大，就是富含信息查询模版。

这个模板是怎么确定的呢？爬虫先从一维模版开始，比如先别的不是输入就输入地区，看是否是富含信息查询模版，是就扩展到二维模版，比如地区+型号。如此增加维度，直到没有新的模版。

2、词的组合：也许你纳闷了，爬虫怎么知道这个输入框要输入什么，是地区还是产品名称，还是时间？所以爬虫开始需要人工提示，人工提供一些初始查询种子表，爬虫更具这个表格查询下载页面，然后分析页面，自动挖掘新的关键词，形成新的查询列表，然后在查询，将结果提交给搜索引擎，直到没有新内容为止。

这样就完成了对暗网的抓取。

以上只是简单的介绍一下爬虫的抓取和更新框架，具体的算法可就复杂多了，有待我慢慢研究过后再分享。

文章来源：www.haoyunlaibj.com，转载请保留链接。