网站爬行策略

操作系统 / centos / 2022-05-10 11:45

visits 1063 collect - report - QRcode

Basicinformation

content

网站爬行策略。全互联网是由相互链接的网站及页面组成的。从理论上说，爬虫从任何一个页面出发，沿着链接都可爬完网上的所有页面。由于网站及页面具有非常复杂的链接结构，爬虫需要采取一定的爬行策略才能爬完网上所有页面。实现一个完善的爬虫系统，爬行策略至关重要。

爬行策略有如下几种：深度优先爬行策略是爬虫沿着发现的链接先爬取一个网页，然后一直往前爬行，爬行到前面再也没有其他链接为止，然后在返回到第一个页面，沿着另一个链接再一直往前爬行。如图1所示，爬取的顺序是A→D→E→B→C→F→G；广度优先爬行策略：是指爬虫在一个页面上发现多个网络链接时，不是沿着一个网络链接一直向前爬行，而是先把页面上同一层次链接都爬一遍，然后再沿着第二层页面上发现的链接爬向第三层页面。

爬取的顺序是A→B→C→D→E→F→G；大站优先爬行策略是对于准备抓取地址队列中的所有网页，把其根据所属的网站进行分类，优先爬取网站的网页数量比其他多的网站。反链爬行策略是指的是一个网页被其他网页链接指向的数量，当某个网页的内容受到其他人的推荐的程度高，这种网页被优先爬取。

notmore

all