網(wǎng)絡爬蟲基本原理

1、網(wǎng)絡爬蟲基本原理 網(wǎng)絡爬蟲是捜索引擎抓取系統(tǒng)的重要組成部分。爬蟲的主要目的是將互聯(lián)網(wǎng)上的網(wǎng)頁下載到本地形成一個或聯(lián)網(wǎng)內(nèi)容的鏡像備份。這篇博客主要對爬蟲以及抓取系統(tǒng)進行一個簡單的概述。一、網(wǎng)絡爬蟲的基本結(jié)構(gòu)及工作流程    一個通用的網(wǎng)絡爬蟲的框架如圖所示：    網(wǎng)絡爬蟲的基本工作流程如下：    1.首先選取一部分精心挑選的種子URL；    2.將這些URL放入待抓取URL隊列；    3.從待抓取URL隊列中取出待抓取在URL，解析DNS，

2、并且得到主機的ip，并將URL對應的網(wǎng)頁下載下來，存儲進已下載網(wǎng)頁庫中。此外，將這些URL放進已抓取URL隊列。    4.分析已抓取URL隊列中的URL，分析其中的其他URL，并且將URL放入待抓取URL隊列，從而進入下一個循環(huán)。二、從爬蟲的角度對互聯(lián)網(wǎng)進行劃分    對應的，可以將互聯(lián)網(wǎng)的所有頁面分為五個部分：    1.已下載未過期網(wǎng)頁    2.已下載已過期網(wǎng)頁：抓取到的網(wǎng)頁實際上是互聯(lián)網(wǎng)內(nèi)容的一個鏡像與備份，互聯(lián)網(wǎng)是動態(tài)變化的，一部分互聯(lián)網(wǎng)上的內(nèi)容已經(jīng)發(fā)生了變化，這

3、時，這部分抓取到的網(wǎng)頁就已經(jīng)過期了。    3.待下載網(wǎng)頁：也就是待抓取URL隊列中的那些頁面    4.可知網(wǎng)頁：還沒有抓取下來，也沒有在待抓取URL隊列中，但是可以通過對已抓取頁面或者待抓取URL對應頁面進行分析獲取到的URL，認為是可知網(wǎng)頁。    5.還有一部分網(wǎng)頁，爬蟲是無法直接抓取下載的。稱為不可知網(wǎng)頁。三、抓取策略    在爬蟲系統(tǒng)中，待抓取URL隊列是很重要的一部分。待抓取URL隊列中的URL以什么樣的順序排列也是一個很重要的問題，因為這涉及到先抓取那個頁面，

4、后抓取哪個頁面。而決定這些URL排列順序的方法，叫做抓取策略。下面重點介紹幾種常見的抓取策略：    1.深度優(yōu)先遍歷策略深度優(yōu)先遍歷策略是指網(wǎng)絡爬蟲會從起始頁開始，一個鏈接一個鏈接跟蹤下去，處理完這條線路之后再轉(zhuǎn)入下一個起始頁，繼續(xù)跟蹤鏈接。我們以下面的圖為例：    遍歷的路徑：A-F-G  E-H-I B C D    2.寬度優(yōu)先遍歷策略    寬度優(yōu)先遍歷策略的基本思路是，將新下載網(wǎng)頁中發(fā)現(xiàn)的鏈接直接插入待抓取URL隊列的末尾。也就是指網(wǎng)絡爬蟲會先抓取起始

5、網(wǎng)頁中鏈接的所有網(wǎng)頁，然后再選擇其中的一個鏈接網(wǎng)頁，繼續(xù)抓取在此網(wǎng)頁中鏈接的所有網(wǎng)頁。還是以上面的圖為例：    遍歷路徑：A-B-C-D-E-F G H I    3.反向鏈接數(shù)策略    反向鏈接數(shù)是指一個網(wǎng)頁被其他網(wǎng)頁鏈接指向的數(shù)量。反向鏈接數(shù)表示的是一個網(wǎng)頁的內(nèi)容受到其他人的推薦的程度。因此，很多時候搜索引擎的抓取系統(tǒng)會使用這個指標來評價網(wǎng)頁的重要程度，從而決定不同網(wǎng)頁的抓取先后順序。    在真實的網(wǎng)絡環(huán)境中，由于廣告鏈接、作弊鏈接的存在，反向鏈接數(shù)不能完全等他我那

6、個也的重要程度。因此，搜索引擎往往考慮一些可靠的反向鏈接數(shù)。    4.Partial PageRank策略    Partial PageRank算法借鑒了PageRank算法的思想：對于已經(jīng)下載的網(wǎng)頁，連同待抓取URL隊列中的URL，形成網(wǎng)頁集合，計算每個頁面的PageRank值，計算完之后，將待抓取URL隊列中的URL按照PageRank值的大小排列，并按照該順序抓取頁面。    如果每次抓取一個頁面，就重新計算PageRank值，一種折中方案是：每抓取K個頁面后，重新計算一次PageRank值。但

7、是這種情況還會有一個問題：對于已經(jīng)下載下來的頁面中分析出的鏈接，也就是我們之前提到的未知網(wǎng)頁那一部分，暫時是沒有PageRank值的。為了解決這個問題，會給這些頁面一個臨時的PageRank值：將這個網(wǎng)頁所有入鏈傳遞進來的PageRank值進行匯總，這樣就形成了該未知頁面的PageRank值，從而參與排序。下面舉例說明：    5.OPIC策略策略    該算法實際上也是對頁面進行一個重要性打分。在算法開始前，給所有頁面一個相同的初始現(xiàn)金（cash）。當下載了某個頁面P之后，將P的現(xiàn)金分攤給所有從P中分析出的鏈接，并且將P的現(xiàn)金清空。

8、對于待抓取URL隊列中的所有頁面按照現(xiàn)金數(shù)進行排序。    6.大站優(yōu)先策略    對于待抓取URL隊列中的所有網(wǎng)頁，根據(jù)所屬的網(wǎng)站進行分類。對于待下載頁面數(shù)多的網(wǎng)站，優(yōu)先下載。這個策略也因此叫做大站優(yōu)先策略。 四、更新策略    互聯(lián)網(wǎng)是實時變化的，具有很強的動態(tài)性。網(wǎng)頁更新策略主要是決定何時更新之前已經(jīng)下載過的頁面。常見的更新策略又以下三種：    1.歷史參考策略    顧名思義，根據(jù)頁面以往的歷史更新數(shù)據(jù)，預測該頁面未來何時會發(fā)生變化。一般來說，是通過泊松過

9、程進行建模進行預測。    2.用戶體驗策略    盡管搜索引擎針對于某個查詢條件能夠返回數(shù)量巨大的結(jié)果，但是用戶往往只關(guān)注前幾頁結(jié)果。因此，抓取系統(tǒng)可以優(yōu)先更新那些現(xiàn)實在查詢結(jié)果前幾頁中的網(wǎng)頁，而后再更新那些后面的網(wǎng)頁。這種更新策略也是需要用到歷史信息的。用戶體驗策略保留網(wǎng)頁的多個歷史版本，并且根據(jù)過去每次內(nèi)容變化對搜索質(zhì)量的影響，得出一個平均值，用這個值作為決定何時重新抓取的依據(jù)。    3.聚類抽樣策略    前面提到的兩種更新策略都有一個前提：需要網(wǎng)頁的歷史信息。這樣

10、就存在兩個問題：第一，系統(tǒng)要是為每個系統(tǒng)保存多個版本的歷史信息，無疑增加了很多的系統(tǒng)負擔；第二，要是新的網(wǎng)頁完全沒有歷史信息，就無法確定更新策略。    這種策略認為，網(wǎng)頁具有很多屬性，類似屬性的網(wǎng)頁，可以認為其更新頻率也是類似的。要計算某一個類別網(wǎng)頁的更新頻率，只需要對這一類網(wǎng)頁抽樣，以他們的更新周期作為整個類別的更新周期?；舅悸啡鐖D：        五、分布式抓取系統(tǒng)結(jié)構(gòu)    一般來說，抓取系統(tǒng)需要面對的是整個互聯(lián)網(wǎng)上數(shù)以億計的網(wǎng)頁。單個抓取程序不可能完成這樣的任務。往往需要多個抓取程序一起來處理

11、。一般來說抓取系統(tǒng)往往是一個分布式的三層結(jié)構(gòu)。如圖所示：    最下一層是分布在不同地理位置的數(shù)據(jù)中心，在每個數(shù)據(jù)中心里有若干臺抓取服務器，而每臺抓取服務器上可能部署了若干套爬蟲程序。這就構(gòu)成了一個基本的分布式抓取系統(tǒng)。    對于一個數(shù)據(jù)中心內(nèi)的不同抓去服務器，協(xié)同工作的方式有幾種：    1.主從式（Master-Slave）    主從式基本結(jié)構(gòu)如圖所示：    對于主從式而言，有一臺專門的Master服務器來維護待抓取URL隊列，它負責每次將URL分發(fā)到不同的Slave服務器，而Slav

12、e服務器則負責實際的網(wǎng)頁下載工作。Master服務器除了維護待抓取URL隊列以及分發(fā)URL之外，還要負責調(diào)解各個Slave服務器的負載情況。以免某些Slave服務器過于清閑或者勞累。    這種模式下，Master往往容易成為系統(tǒng)瓶頸。    2.對等式（Peer to Peer）    對等式的基本結(jié)構(gòu)如圖所示：    在這種模式下，所有的抓取服務器在分工上沒有不同。每一臺抓取服務器都可以從待抓取在URL隊列中獲取URL，然后對該URL的主域名的hash值H，然后計算H mod m（其中m是服務器的數(shù)量，以上圖為

13、例，m為3），計算得到的數(shù)就是處理該URL的主機編號。    舉例：假設對于URL ，計算器hash值H=8，m=3，則H mod m=2，因此由編號為2的服務器進行該鏈接的抓取。假設這時候是0號服務器拿到這個URL，那么它將該URL轉(zhuǎn)給服務器2，由服務器2進行抓取。    這種模式有一個問題，當有一臺服務器死機或者添加新的服務器，那么所有URL的哈希求余的結(jié)果就都要變化。也就是說，這種方式的擴展性不佳。針對這種情況，又有一種改進方案被提出來。這種改進的方案是一致性哈希法來確定服務器分工。其基本結(jié)構(gòu)如圖所示：    一致性哈希將URL的主域名進行哈希運算，映射為一個范圍在0-232之間的某個數(shù)。而將這個范圍平均的分配給m臺服務器，根據(jù)URL