優(yōu)秀爬蟲的特性

優(yōu)秀爬蟲的特性對于不同的應(yīng)用來說，可能實現(xiàn)的方式各有差異，但是實用的爬蟲都應(yīng)該具備以下特性：

1.高性能

互聯(lián)網(wǎng)的網(wǎng)頁數(shù)量是海量的，所以爬蟲的性能至關(guān)重要。這里的性能主要是指爬蟲下載網(wǎng)頁的抓取速度，常見的評價方式是以爬蟲每秒能夠下載的網(wǎng)頁數(shù)量作為性能指標(biāo)，單位時間能夠下載的網(wǎng)頁數(shù)量越多，爬蟲的性能越高。

要提高爬蟲的性能，在設(shè)計時程序訪問磁盤的操作方法及具體實現(xiàn)時數(shù)據(jù)結(jié)構(gòu)的選擇很關(guān)鍵，比如對于待抓取URL隊列和已抓取URL隊列，因為URL數(shù)量非常大，不同實現(xiàn)方式性能表現(xiàn)迥異，所以高效的數(shù)據(jù)結(jié)構(gòu)對于爬蟲性能影響很大。

2.可擴展性

即使單個爬蟲的性能很高，要將所有網(wǎng)頁都下載到本地，仍然需要相當(dāng)長的時間周期，為了能夠盡可能縮短抓取周期，爬蟲系統(tǒng)應(yīng)該有很好地可擴展性，即很容易通過增加抓取服務(wù)器和爬蟲數(shù)量來達(dá)到此目的。

目前實用的大型網(wǎng)絡(luò)爬蟲一定是分布式運行的，即多臺服務(wù)器專做抓取。每臺服務(wù)器部署多個爬蟲，每個爬蟲多線程運行，通過多種方式增加并發(fā)性。

對于巨型的搜索引擎服務(wù)商來說，可能還要在全球范圍、不同地域分別部署數(shù)據(jù)中心，爬蟲也被分配到不同的數(shù)據(jù)中心，這樣對于提高爬蟲系統(tǒng)的整體性能是很有幫助的。

3.健壯性

爬蟲要訪問各種類型的網(wǎng)站服務(wù)器，可能會遇到很多種非正常情況：比如網(wǎng)頁HTML編碼不規(guī)范、 被抓取服務(wù)器突然死機，甚至爬蟲陷阱等。爬蟲對各種異常情況能否正確處理非常重要，否則可能會不定期停止工作，這是無法忍受的。

從另外一個角度來講，假設(shè)爬蟲程序在抓取過程中死掉，或者爬蟲所在的服務(wù)器宕機，健壯的爬蟲應(yīng)能做到：再次啟動爬蟲時，能夠恢復(fù)之前抓取的內(nèi)容和數(shù)據(jù)結(jié)構(gòu)，而不是每次都需要把所有工作完全從頭做起，這也是爬蟲健壯性的一種體現(xiàn)。

4.友好性

爬蟲的友好性包含兩方面的含義：一是保護網(wǎng)站的部分私密性；另一是減少被抓取網(wǎng)站的網(wǎng)絡(luò)負(fù)載。爬蟲抓取的對象是各類型的網(wǎng)站，對于網(wǎng)站所有者來說，有些內(nèi)容并不希望被所有人搜到，所以需要設(shè)定協(xié)議，來告知爬蟲哪些內(nèi)容是不允許抓取的。目前有兩種主流的方法可達(dá)到此目的：爬蟲禁抓協(xié)議和網(wǎng)頁禁抓標(biāo)記。

爬蟲禁抓協(xié)議指的是由網(wǎng)站所有者生成一個指定的文件robot.txt，并放在網(wǎng)站服務(wù)器的根目錄下，這個文件指明了網(wǎng)站中哪些目錄下的網(wǎng)頁是不允許爬蟲抓取的。具有友好性的爬蟲在抓取該網(wǎng)站的網(wǎng)頁前，首先要讀取robot.txt文件，對于禁止抓取的網(wǎng)頁不進行下載。

網(wǎng)頁禁抓標(biāo)記一般在網(wǎng)頁的HTML代碼里加入meta name=”robots”標(biāo)記，content字段指出允許或者不允許爬蟲的哪些行為?？梢苑譃閮煞N情形：一種是告知爬蟲不要索引該網(wǎng)頁內(nèi)容，以noindex作為標(biāo)記；另外一種情形是告知爬蟲不要抓取網(wǎng)頁所包含的鏈接，以nofollow作為標(biāo)記。通過這種方式，可以達(dá)到對網(wǎng)頁內(nèi)容的一種隱私保護。

遵循以上協(xié)議的爬蟲可以被認(rèn)為是友好的，這是從保護私密性的角度來考慮的；另外一種友好性則是，希望爬蟲對某網(wǎng)站的訪問造成的網(wǎng)路負(fù)載較低。

爬蟲一般會根據(jù)網(wǎng)頁的鏈接連續(xù)獲取某網(wǎng)站的網(wǎng)頁，如果爬蟲訪問網(wǎng)站頻率過高，會給網(wǎng)站服務(wù)器造成很大的訪問壓力，有時候甚至?xí)绊懢W(wǎng)站的正常訪問，造成類似DOS攻擊的效果。

為了減少網(wǎng)站的網(wǎng)絡(luò)負(fù)載，友好性的爬蟲應(yīng)該在抓取策略部署時考慮每個被抓取網(wǎng)站的負(fù)載，在盡可能不影響爬蟲性能的情況下，減少對單一站點短期內(nèi)的高頻訪問。

名稱欄目：seo優(yōu)化公司了解入門爬蟲技術(shù)原理三
網(wǎng)站URL：http://aaarwkj.com/news26/284926.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供定制網(wǎng)站、關(guān)鍵詞優(yōu)化、軟件開發(fā)、網(wǎng)站收錄、面包屑導(dǎo)航、用戶體驗

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)