对于搜索引擎来说，要抓取互联网上所有的网页几乎是不可能的。那么蜘蛛是怎么抓取的呢?今天我们就继续来讨论：搜索引擎的工作原理还有哪些?一起来看看!
从目前公布的数据来看，容量最大的搜索引擎也不过是抓取了整个网页数量的40%左右。这其中的原因一方面是抓取技术的瓶颈，无法遍历所有的网页，有许多网页无法从其他网页的链接中找到;另一方面是存储技术和处理技术的问题。如果按照每个页面的平均大小为20K计算(包含图片)，100亿网页的容量是100-2000G字节。即使能过存储，下载也存在问题(按照一台机器每秒下载20K计算，需要240台机器不停地下载一年时间，才能把所有网页下载完毕)。
同时，由于数据量太大，在提供搜索时也会有效率方面的影响。因此，许多搜索引擎的搜索引擎蜘蛛只是抓取哪些重要的网页，而在抓取的时候，评价重要性主要的依据是某个网页的链接深度。
在抓取网页的时候，搜索引擎蜘蛛一般有两种策略：广度优先和深度优先。广度优先是指搜索引擎蜘蛛会先抓取起始网页中链接的所有网页，然后再选择其中一个链接网页，继续花去在此网页中链接的所有网页。这是最常用的方式，因为这个方法可以让搜索引擎并行处理，提高其抓取速度。深度优先是指搜索引擎蜘蛛会从起始页开始，一个链接一个链接跟踪下去，处理完这条线路之后再转入下一个起始页，继续跟踪链接。这个方法有个优点是搜索引擎蜘蛛在设计的时候比较容易。
由于不可能抓取所有的网页，有些搜索引擎蜘蛛对一些不太重要的网站，设置了访问的层数如下图，A为起始网页，属于0层，B、C、D、E、F属于第1层，G、H属于第2层，I属于第3层。如果搜索引擎蜘蛛设置的访问层数为2的话，网页I是不会被访问到的。这也让有些网站上的一部分网页能够在搜索引擎上搜索到，另外一部分不能被搜索到。对于网站设计者来说，扁平化的网站结构设计有助于搜索引擎抓取其更多的网页。
搜索引擎蜘蛛在访问网站网页的时候，经常会遇到加密数据和为网页权限的问题，有些网页是需要有会员权限才能访问的。当然，网站的所有者可以通过协议让搜索引擎只注意不去抓取，但对于一些出售报告的网站，他们希望搜索引擎能搜索到他们的报告，但又不能完全免费地让搜索者查看，这样就需要给搜索引擎蜘蛛提供相应的用户名和密码。搜索引擎蜘蛛可以通过所给的权限对这些网页进行网页抓取，从而提供搜索。而当搜索者点击查看该网页的时候，同样需要搜索者提供相应的权限验证。
本文来自投稿，不代表重蔚自留地立场，如若转载，请注明出处https://www.cwhello.com/279040.html
如有侵犯您的合法权益请发邮件951076433@qq.com联系删除
