西安网站建设

分析搜索引擎如何首先抓取最重要的网页？

浏览次数：1058　时间：2012-06-09 08:25:22

　　搜索引擎面对海量的网页，他们并不是平行的抓取每一个网页，因为无论搜索引擎数据库怎么扩张，都是无法跟上网页的增长速度，搜索引擎会优先抓取最重要的网页，一方面节省数据库，一方面对普通的用户也是有帮助的，因为，对用户来说，他们并不需要海量的结果，只需要最重要的结果。所以说一个好的搜集策略是优先搜集重要的网页，以便能够在最短的时间内把最重要的网页抓取过来。

　　那么搜索引擎如何首先抓取最重要的网页?

　　通过对海量的网页特征分析，搜索引擎认为重要的网页有如下的基本特征，虽然不一定完全准确，但是大多数时候确实是这样的：

　　1) 网页被其他的网页链接的特点，如果被链接的次数多或者被重要的网页所链接，则是很重要的网页;

　　2) 某网页的父网页被链接的次数多或者被重要的网页所链接，比如一个网页是一个网站的内页，但是其首页被链接的次数多，而首页也链接了这个网页，则说明这个网页也比较重要;

　　3) 网页的内容被转载传播的广。

　　4) 网页的目录深度小，易于用户浏览到。 这里定义“URL 目录深度”为：网页 URL 中除去域名部分的目录层次，即URL 为http://www.domain.com，则目录深度为 0;如果是 http://www.domain.com/cs，则目录深度为 1，一次类推。需要说明的是，URL 目录深度小的网页并非总是重要的，目录深度大的网页也并非全不重要，有些学术论文的网页 URL 就有很长的目录深度。多数重要度高的网页会同时具有上述 4 个特征。

　　5)优先收集网站首页，并赋予首页高的权重值。网站数目远小于网页数，并且重要的网页也必然是从这些网站首页链接过去的，因此搜集工作应当优先获得尽可能多的网站首页。

　　这里问题就随之出现，搜索引擎开始抓取网页的时候，可能既不知道网页被链接的情况也不知道被转载的情况，换句话说，最开始的时候他并不能知道前面3项的特征，这些因素只能在获得网页或几乎所有的 Web 链接结构之后才能够知道。那么怎么解决这个问题呢?那就是特征4和5是可以在抓取的时候就能知道的，只有特征 4 是不需要知道网页的内容(没有抓取网页之前)就可以确定某个 URL 是否符合“重要”的标准，而且网页 URL 目录深度的计算就是对字符串的处理，统计结果表明一般的 URL 长度都小于 256 个字符，这使得 URL 目录深度的判别易于实现。所以对于搜集策略的确定，特征 4 和5是最值得考虑的指导因素。

　　但是，特征 4 和5具有局限性，因为链接的深度并不能完全表明这个网页的重要程度。那么怎么解决这个问题?搜索引擎采用如下的办法：

　　1) URL 权值的设定：根据 URL 的目录深度来定，深度是多少，权值就减少多少，权值最小为零。

　　2) 设定 URL 初始权值为 一个固定的数值 。

　　3) URL 中出现字符”/”，”?” ，或”&” 1 次, 则权值减 一个数值 ，出

　　现”search”，”proxy”，或”gate” 1 次，则权值减一个数值;最多减到零。(包含”?”，

　　或”&” 的URL 是带参数的形式，需要经过被请求方程序服务获得网页，不是搜索引擎系统侧重的静态网页，因此权值相应降低。包含”search”，”proxy”，或”gate” ，说明该网页极大可能是搜索引擎中检索的结果页面，代理页面，因此要降低权值)。

　　4) 选择未访问 URL 的策略。因为权值小不一定说明不重要，所以有必要

　　给一定的机会搜集权值小的未访问 URL 。选择未访问 URL 的策略可以采用轮流的方法进行，一次按照权值排序取，一次随机取;或者 N次随机选取。

　　当搜索引擎抓取了大量的网页的时候，然后进入到一个阶段，对网页进行前面3个特征的判读，再通过大量的算法判断网页的质量，然后给予相对的排名。