百度搜索引擎抓取系统概述(一)

编者按:站长朋友们,今后定期都将在这里跟大家分享一些有关搜索引擎工作原理及网站运营相关的内容,今天先简单介绍一下关于搜索引擎抓取系统中有关抓取系统基本框架、抓取中涉及的网络协议、抓取的基本过程三部分。

互联网信息爆发式增长,如何有效的获取并利用这些信息是搜索引擎工作中的首要环节。数据抓取系统作为整个搜索系统中的上游,主要负责互联网信息的搜集、保存、更新环节,它像蜘蛛一样在网络间爬来爬去,因此通常会被叫做“spider”。例如我们常用的几家通用搜索引擎蜘蛛被叫做:Baiduspdier、Googlebot、Sogou Web Spider等。

Spider抓取系统是搜索引擎数据来源的重要保证,如果把web理解为一个有向图,那么spider的工作过程可以认为是对这个有向图的遍历。从一些重要的种子 URL开始,通过页面上的超链接关系,不断的发现新URL并抓取,尽最大可能抓取到更多的有价值网页。对于类似百度这样的大型spider系统,因为每时 每刻都存在网页被修改、删除或出现新的超链接的可能,因此,还要对spider过去抓取过的页面保持更新,维护一个URL库和页面库。

1、spider抓取系统的基本框架

如下为spider抓取系统的基本框架图,其中包括链接存储系统、链接选取系统、dns解析服务系统、抓取调度系统、网页分析系统、链接提取系统、链接分析系统、网页存储系统。百度搜索引擎抓取系统概述(一)

2、spider抓取过程中涉及的网络协议

搜索引擎与资源提供者之间存在相互依赖的关系,其中搜索引擎需要站长为其提供资源,否则搜索引擎就无法满足用户检索需求;而站长需要通过搜索引擎将自己的 内容推广出去获取更多的受众。spider抓取系统直接涉及互联网资源提供者的利益,为了使搜素引擎与站长能够达到双赢,在抓取过程中双方必须遵守一定的 规范,以便于双方的数据处理及对接。这种过程中遵守的规范也就是日常中我们所说的一些网络协议。以下简单列举:

http协议:超文本传输协议,是互联网上应用最为广泛的一种网络协议,客户端和服务器端请求和应答的标准。客户端一般情况是指终端用户,服务器端即指网 站。终端用户通过浏览器、蜘蛛等向服务器指定端口发送http请求。发送http请求会返回对应的httpheader信息,可以看到包括是否成功、服务 器类型、网页最近更新时间等内容。

https协议:实际是加密版http,一种更加安全的数据传输协议。

UA属性:UA即user-agent,是http协议中的一个属性,代表了终端的身份,向服务器端表明我是谁来干嘛,进而服务器端可以根据不同的身份来做出不同的反馈结果。

robots协议:robots.txt是搜索引擎访问一个网站时要访问的第一个文件,用以来确定哪些是被允许抓取的哪些是被禁止抓取的。 robots.txt必须放在网站根目录下,且文件名要小写。详细的robots.txt写法可参考 http://www.robotstxt.org 。百度严格按照robots协议执行,另外,同样支持网页内容中添加的名为robots的meta标 签,index、follow、nofollow等指令。

3、spider抓取的基本过程

spider的基本抓取过程可以理解为如下的流程图:百度搜索引擎抓取系统概述(一)

本文作者:站长派,如若转载,请注明出处:https://zhanzhangpai.com/?p=461

免责声明:本站部分内容来源互联网整理,如有侵权请联系站长留言处理。

(0)
上一篇 2022年2月1日 下午1:53
下一篇 2022年2月2日 上午11:17

相关推荐

  • SEO技术分类:什么是白帽SEO,什么是黑帽SEO,什么是灰帽SEO

    SEO及SEO搜索引擎优化,从结构上分为站外SEO优化和站内SEO优化两种。站外SEO优化首要做的是上网站的外部链接,搜罗友情链接交流、论坛、博客、贴吧等;站内SEO就是一个斗劲系…

    2022年3月15日
  • 网站域名如何选择?怎样选一个好域名建站?

    为了便于新站长们更好的了解百度搜索资源平台、搜索规则、建站优化等初级内容,搜索学堂特推出《小小白升级系列》,希望可以携手各位站长们一起,做更好的站,提供更好的内容,赚更多的流量。 …

    2022年1月24日
  • 【竞价知识】飞鱼网络电话有哪些优势

    【竞价知识】飞鱼网络电话有哪些优势 飞鱼网络电话超好用 使用飞鱼跟进线索时接通率低,推荐采用网络电话方式,与客户建立联系。 操作方式: 第一步:在电脑端飞鱼CRM后台【设置】-【通…

    2022年3月28日
  • 百度搜索打击的违法违规信息概要

    原文标题:关于百度搜索严厉打击虚假诈骗等违法违规信息的公告发布日期:2019-02-27 为了维护安全健康的搜索生态,保障搜索用户的合法权益,百度搜索严厉打击电信网络中的虚假诈骗、…

    2021年11月5日
  • 手机建站要花多少钱?手机建站价格介绍

    手机建站要花多少钱?手机建站价格介绍 移动互联网时代,手机用户越来越多,不少企业在有了PC网络营销的成功经验之后,也了解到手机网站对于移动终端营销的重要性。那么你知道手机建站要花多…

    2022年4月7日
  • 外链建设的原则和技巧

    一、难度越大,价值就越高 实际操作过SEO的人都知道,原创内容和外部链接是两个难度,都是费时费力的工作。外部链接甚至无法保证有投入就能有产出,获得好的外部链接就更困难了。不 过一般…

    2022年3月15日
  • 谷歌seo入门指南第二章:seo基础知识

    了解如何为seo成功建立网站,并掌握seo的四个主要方面

    2022年1月6日
  • 315之后SEO行业重新洗牌,网站SEO出现两极分化!

    315之后SEO行业重新洗牌,网站SEO出现两极分化! 刚才搜索了seo一词,发现之前排在百度首页的快排厂商网站都不见了,如小颜、知了、190、创力等。现在反而多了百度自家的网站,…

    2022年3月28日
  • 国外服务器建站有哪些优势?

    随着服务器的发展,不少国人不选择使用国内的服务器了,反而会去选择国外的服务器,因为国外服务器网站有很多优势,比如可以免备案等。那么国外服务器网站究竟怎么样呢?一起来了解下吧! 1、…

    2022年4月2日
  • robots文件格式

     robots文件往往放置于根目录下,包含一条或更多的记录,这些记录通过空行分开(以CR,CR/NL, or NL作为结束符),每一条记录的格式如下所示:“<fi…

    2022年3月15日