91久久国产婷婷一区二区丨亚洲综合无码一区二区三区不卡丨超caopor在线公开视频丨国产精品乱码久久久久久久久丨日韩a片无码一区二区三区电影丨www.亚洲com丨动漫精品无码视频一区二区三区丨一道本视频在线观看丨五月天三级丨国户精品久久久久久久久久久不卡丨男女作爱bbbbbbbbb丨亚洲综合色成在线观看丨国产美女久久精品香蕉69丨黑人大群体交免费视频丨成人无码视频在线观看网址丨久久久1丨我想看一级黄色毛片丨精品一区久久丨www黄色网址丨911久久香蕉国产线看观看

說的簡單易懂一些，網(wǎng)絡(luò)爬蟲跟你使用的〖離線閱讀〗工具差不多。說離線，其實還是要跟網(wǎng)絡(luò)聯(lián)結(jié)，否則怎么抓東西下來？那么不同的地方在哪里？

1）網(wǎng)絡(luò)爬蟲高度可配置性。

2）網(wǎng)絡(luò)爬蟲可以解析抓到的網(wǎng)頁里的鏈接

3）網(wǎng)絡(luò)爬蟲有簡單的存儲配置

4）網(wǎng)絡(luò)爬蟲擁有智能的根據(jù)網(wǎng)頁更新分析功能

5）網(wǎng)絡(luò)爬蟲的效率相當(dāng)?shù)母?/p>

那么依據(jù)特征，其實也就是要求了，如何設(shè)計爬蟲呢？要注意哪些步驟呢？

1）url 的遍歷和紀(jì)錄

這點 larbin 做得非常的好，其實對于url的遍歷是很簡單的，例如：

cat [what you got]　 tr " n 　 gawk '{print $2}' 　 pcregrep ^http://

就可以得到一個所由的 url 列表

2）多進(jìn)程 VS 多線程

各有優(yōu)點了，現(xiàn)在一臺普通的pC 例如 booso.com 一天可以輕松爬下5個G的數(shù)據(jù)。大約20萬網(wǎng)頁。

3）時間更新控制

最傻的做法是沒有時間更新權(quán)重，一通的爬，回頭再一通的爬。

通常在下一次爬的的數(shù)據(jù)要跟上一次進(jìn)行比較，如果連續(xù)5次都沒有變化，那么將爬這個網(wǎng)頁的時間間隔擴(kuò)大1倍。

如果一個網(wǎng)頁在連續(xù)5次爬取的時候都有更新，那么將設(shè)置的爬取時間縮短為原來的1／2。

注意，效率是取勝的關(guān)鍵之一。

4）爬的深度是多少呢？

看情況了。如果你比較牛，有幾萬臺服務(wù)器做網(wǎng)絡(luò)爬蟲，我勸您跳過這一點。

如果你同我一樣只有一臺服務(wù)器做網(wǎng)絡(luò)爬蟲，那么這樣一個統(tǒng)計您應(yīng)該知道：

網(wǎng)頁深度：網(wǎng)頁個數(shù)：網(wǎng)頁重要程度

0 : 1 : : 10

1 :20 : :8

2: :600: :5

3: :2000: :2

4 above: 6000: 一般無法計算

好了，爬到三級就差不多了，再深入一是數(shù)據(jù)量擴(kuò)大了3／4倍，二是重要度確下降了許多，這叫做“種下的是龍種，收獲的是跳蚤。

5）爬蟲一般不之間爬對方的網(wǎng)頁，一般是通過一個proxy出去，這個proxy有緩解壓力的功能，因為當(dāng)對方的網(wǎng)頁沒有更新的時候，只要拿到 header 的 tag就可以了，沒有必要全部傳輸一次了，可以大大節(jié)約網(wǎng)絡(luò)帶寬。

apache webserver里面紀(jì)錄的 304 一般就是被cache的了。

6）請有空的時候照看一下robots.txt

7）存儲結(jié)構(gòu)。

這個人人見智，google 用 gfs 系統(tǒng)，如果你有7／8臺服務(wù)器，我勸你用NFS系統(tǒng)，要是你有70／80個服務(wù)器的話我建議你用afs 系統(tǒng)，要是你只有一臺服務(wù)器，那么隨便。

給一個代碼片斷，是我寫的新聞搜索引擎是如何進(jìn)行數(shù)據(jù)存儲的：

NAME=echo $URL 　perl -p -e 's/([^w-.@])/$1 eq "n" ? "n":sprintf("%%%2.2x",ord($1))/eg'mkdir -p $AUTHOR

newscrawl.pl$URL--user-agent="news.booso.com+(+http://booso.com)"-outfile=$AUTHOR/$NAME

特別是注意以下幾句：

1.通常在下一次爬的的數(shù)據(jù)要跟上一次進(jìn)行比較，如果連續(xù)5次都沒有變化，那么將爬這個網(wǎng)頁的時間間隔擴(kuò)大1倍，如果一個網(wǎng)頁在連續(xù)5次爬取的時候都有更新，那么將設(shè)置的爬取時間縮短為原來的1／2。

網(wǎng)頁更新頻度嚴(yán)重影響著搜索引擎蜘蛛程度對網(wǎng)站的爬行，爬取次數(shù)越多意味著網(wǎng)頁收錄幾率會越大、收錄數(shù)量越多，收錄是SEO最基礎(chǔ)的一個環(huán)節(jié)。

2.好了，爬到三級就差不多了，再深入一是數(shù)據(jù)量擴(kuò)大了3／4倍，二是重要度確下降了許多，這叫做“種下的是龍種，收獲的是跳蚤。

盡量將網(wǎng)站保持在三級目錄內(nèi)，深層次的網(wǎng)頁會給搜索引擎帶來很大的壓力，當(dāng)然，我想Google有足夠的服務(wù)器來承擔(dān)這些壓力，但從側(cè)面來說，3層目錄下的網(wǎng)頁被抓取及更新的頻度要低很多。前面，我說過，要想辦法使網(wǎng)站物理結(jié)構(gòu)和邏輯結(jié)構(gòu)吻合，這體現(xiàn)于URL的良好設(shè)計，現(xiàn)在你可以檢查下前臺生成的靜態(tài)網(wǎng)頁的實際目錄有幾層，考慮是否可以優(yōu)化