二、網絡抓蟲
網頁頁面劃分為5個部分：
1、已下載
2、已過期
3、待下載
4、可知網頁集合，未下載，但可索引
5、不可知網頁集合，暗網網頁
爬蟲分三種類型：
1、批量型：有明確的抓取范圍和目標，當達到這個目標后停止抓取
2、增量型：不斷抓取，抓取到以后定期更新
3、垂直型：抓取特定行業網頁
優秀爬蟲的特性：高性能、可擴展（良好的并發性）、健壯性、友好性（遵守Robot協議）
評價爬蟲質量的標準：覆蓋率，時新性，重要性
抓取策略：優先選擇重要網頁進行抓取
1、寬度優先遍歷策略，雖然機械，但是效果好，隱含了一些網頁優秀級的假設
2、非完全PageRank策略，對已下載網頁集合，加上待抓取URL，形成網頁集合，進行PageRank計算，將待抓取按得分進行排序
3、OCIP策略，在線頁面重要性計算，待下載頁面都分配相同的cash，下載后把頁面擁有的現金平分給包含的鏈接，
待抓取URL則根據手頭現金排序，優先下載最充裕網頁。計算速度快，適合實時計算，效果略優于寬度優先
4、大站優先策略，哪個網站等等下載的頁面最多，則優先下載這些鏈接，效果略優于寬度優先
網頁更新策略
1、歷史參考策略，過去頻繁更新的網頁，將來也會頻繁更新，利用泊松過程
抓取策略應該忽略掉廣告或導航等非重要區域的頻繁變化，集中在主題內容的變化探測和建模
2、用戶體驗策略，對搜索結果排名靠前，更新以后對搜索質量（排名）的影響較大的頁面進行更新
3、聚類抽樣策略，先對網頁進行聚類，對同一類網頁采用相同的更新頻率
聚類特征：
靜態特征，頁面的內容，圖片數量，頁面大小，鏈接深度，PageRank值
動態特征，隨著時間的變化 ，靜態特征的變化情況
聚類抽樣策略效果好于前述兩種，但是對億計網頁進行聚類，難度較大
暗網抓取
將暗網數據從數據庫中挖掘出來，百度的“阿拉丁”計劃就是解決此問題
查詢組合：Google提出富含信息查詢模板技術，使用富含信息查詢模板進行查詢，獲取有效的網頁結果
富含信息查詢模板：對于某固定的查詢模板來說，如果給模板內每個屬性都賦值，形成不同的查詢組合，其返回內容差異較大，則這個查詢模板為富含信息查詢模板
分布式爬蟲
主從分布式：URL服務器容易成為整個系統的瓶頸
對等分布式：沒有URL服務器存在，每臺抓取服務器的分工成為問題，對網址的主域名進行哈希計算，之后對m服務器數量取模，把計算后的模和抓取服務器號匹配
一致性哈希算法：將網站主域名進行哈希，映射到0~2^32之間某個數值，抓取服務器負責這個環狀序列的一個片段的抓取，抓取內容由上一個服務器進行循環轉發
posted on 2013-09-13 11:10
胡滿超 閱讀(594)
評論(0) 編輯 收藏 引用 所屬分類:
搜索引擎