通用爬虫工作原理

通用爬虫是一个自动提取网页的程序，它为搜索引擎从Internet网上下载网页，是搜索引擎的重要组成部分。

通用爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列，直到满足系统的一定停止条件。图1演示了通用爬虫抓取网页的流程。

图1 通用爬虫抓取网页流程

通用网络爬虫从互联网中搜集网页，采集信息，这些网页信息用于为搜索引擎建立索引提供支持，它决定着整个引擎系统的内容是否丰富，信息是否及时，因此其性能的优劣直接影响着搜索引擎的效果。

但是，用于搜索引擎的通用爬虫其爬行行为需要符合一定的规则，遵从一些命令或文件的内容，如标注为nofollow的链接，或者是Robots协议（后续会有相关介绍）。

多学一招：搜索引擎的工作流程

搜索引擎是通用爬虫的最重要应用领域，也是大家使用网络功能时的最大助手。接下来就为大家介绍搜索引擎的工作流程，其主要包含以下几个步骤。

1. 抓取网页

搜索引擎使用通用爬虫来抓取网页，其基本工作流程与其他爬虫类似，大致步骤如下：

（1）首先选取一部分的种子URL，将这些URL放入待抓取URL队列；

（2）取出待抓取URL，解析DNS得到主机的IP，并将URL对应的网页下载下来，存储进已下载网页库中，并且将这些URL放进已抓取URL队列。

（3）分析已抓取URL队列中的URL，分析其中的其他URL，并且将URL放入待抓取URL队列，从而进入下一个循环。

那么，搜索引擎如何获取一个新网站的URL？

（1）新网站向搜索引擎主动提交网址：（如百度http://zhanzhang.baidu.com/linksubmit/url）。

（2）在其他网站上设置新网站外链（尽可能处于搜索引擎爬虫爬取范围）。

（3）搜索引擎和DNS解析服务商（如DNSPod等）合作，新网站域名将被迅速抓取。

2. 数据存储

搜索引擎通过爬虫爬取到网页后，将数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的。

搜索引擎蜘蛛在抓取页面时，也做一定的重复内容检测，一旦遇到访问权重很低的网站上有大量抄袭、采集或者复制的内容，很可能就不再爬行。

3. 预处理

搜索引擎将爬虫抓取回来的页面，进行各种步骤的预处理，包括：

• 提取文字

• 中文分词

• 消除噪音（比如版权声明文字、导航条、广告等……）

• 索引处理

• 链接关系计算

• 特殊文件处理

• ....

除了HTML文件外，搜索引擎通常还能抓取和索引以文字为基础的多种文件类型，如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我们在搜索结果中也经常会看到这些文件类型。

但搜索引擎还不能处理图片、视频、Flash这类非文字内容，也不能执行脚本和程序。

4. 提供检索服务，网站排名

搜索引擎在对信息进行组织和处理后，为用户提供关键字检索服务，将用户检索相关的信息展示给用户。

同时会根据页面的PageRank值（链接的访问量排名）来进行网站排名，这样Rank值高的网站在搜索结果中会排名较前，当然也可以直接付费购买搜索引擎网站排名，付费购买排名是搜索引擎公司的盈利业务之一。

图2演示了搜索引擎的工作原理和主要组成部分。

图2 搜索引擎工作原理和主要组成