谷歌抓取网页视频教程(几个暗含抓取算法：宽度优先抓取哪些页面却需要算法)

　　谷歌抓取网页视频教程(几个暗含抓取算法：宽度优先抓取哪些页面却需要算法)

　　搜索引擎看似简单的爬虫查询工作，但每个链接所隐含的算法却非常复杂。

　　搜索引擎抓取页面是由蜘蛛完成的。爬取动作很容易实现，但是要爬取哪些页面，先爬取哪些页面需要算法来决定。以下是一些爬行算法：

　　1、宽度优先的爬取策略：

　　我们都知道网站大部分都是按照树状图分布的，那么在树状图链接结构中，哪些页面会先被爬取呢？为什么要先爬取这些页面 什么？宽度优先的获取策略是按照树状结构先获取同级链接，获取到同级链接后再获取下一级链接。如下所示：

　　如您所见，当我声明时，我使用了链接结构而不是 网站 结构。这里的链接结构可以由指向任何页面的链接组成，不一定是网站内部链接。这是一种理想化的宽度优先爬行策略。在实际爬取过程中，不可能先想到全宽，先想到限宽，如下图所示：

　　上图中，我们的Spider在检索G链接时，通过算法发现G页面没有任何价值，于是就将悲剧性的G链接和从属的H链接统一给了Spider。至于为什么要统一G环节？嗯，我们来分析一下。

　　2、不完整的遍历链接权重计算：

　　每个搜索引擎都有一套pagerank（指页面权重，非google PR）计算方法，并且经常更新。互联网几乎是无限的，每天都会产生大量的新链接。搜索引擎在计算链接权重时只能进行不完全遍历。为什么谷歌公关需要三个月左右才能更新一次？为什么百度一个月更新1-2次？这是因为搜索引擎使用不完全遍历链接权重算法来计算链接权重。其实按照现在的技术，实现更快的权重更新并不难。计算速度和存储速度完全可以跟得上，但为什么不这样做呢？因为不是那么必要，或者已经实现了，但是我不想发布它。然后，

　　我们形成一组K个链接，R表示链接获得的pagerank，S表示链接收录的链接数，Q表示是否参与传输，β表示阻尼因子，那么权重计算公式通过链接获得的是：

　　由公式可知，Q决定链路权重。如果发现链接被作弊，或者被搜索引擎手动清除，或者其他原因，Q被设置为0，那么再多的外部链接也无济于事。β 是阻尼系数。主要作用是防止出现权重0，防止链接参与权重转移，防止出现作弊。阻尼系数β一般为0.85。为什么网站的数量乘以阻尼系数？因为不是页面中的所有页面都参与权重转移，搜索引擎会再次删除15%的过滤链接。

　　但是这种不完全的遍历权重计算需要积累一定的链接数才能重新开始计算，所以更新周期普遍较慢，不能满足用户对即时信息的需求。于是在此基础上，出现了实时权重分布抓取策略。即当蜘蛛完成对页面的爬取并进入后，立即进行权重分配，将权重重新分配给要爬取的链接库，然后根据权重进行爬取。

　　3、社会工程学爬取策略

　　社会工程策略是在蜘蛛爬行过程中加入人工智能或通过人工智能训练出来的机器智能来决定爬行的优先级。目前我知道的爬取策略有：

　　一种。热点优先策略：对于爆炸性热点关键词，会先抓取，不需要经过严格的去重和过滤，因为会有新的链接覆盖和用户的主动选择。

　　湾 权限优先策略：搜索引擎会给每个网站分配一个权限，通过网站历史、网站更新等确定网站的权限，并优先去抓取权威的网站链接。

　　C。用户点击策略：当大多数行业词库搜索关键词时，频繁点击网站的同一搜索结果，那么搜索引擎会更频繁地抓取这个网站。

　　d. 历史参考策略：对于保持频繁更新的网站，搜索引擎会为网站建立一个更新历史，并根据更新历史估计未来的更新量并确定爬取频率。

　　SEO工作指南：

　　搜索引擎的爬取原理已经讲得很深入了，下面就来说明一下这些原理在SEO工作中的指导作用：

　　A、定时定量更新，让蜘蛛可以及时抓取和抓取网站页面；

　　B. 公司网站的运作比个人网站更有权威性；

　　C.网站建站时间长更容易被抓；

　　D、页面内的链接分布要合理，过多或过少都不好；

　　E.网站，受用户欢迎，也受搜索引擎欢迎；

　　F.重要页面应该放在较浅的网站结构中；

　　G.网站中的行业权威信息将增加网站的权威性。

　　这就是本教程的内容。下一篇教程的主题是：页值和网站权重计算。

　　上一篇：语境如何影响未来移动互联网发展