簡析搜索引擎的網(wǎng)絡(luò)爬蟲技術(shù)

《簡析搜索引擎的網(wǎng)絡(luò)爬蟲技術(shù)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。

1、簡析搜索引擎的網(wǎng)絡(luò)爬蟲技術(shù)簡析搜索引擎的網(wǎng)絡(luò)爬蟲技術(shù)　　1網(wǎng)絡(luò)爬蟲技術(shù)　　網(wǎng)絡(luò)爬蟲也稱為文檔抽取系統(tǒng)，是構(gòu)成第三代搜索引擎系統(tǒng)的重要組成部分之一，主要由文檔適配器與信息爬行器組成，文檔適配器能夠處理不同類型的文檔，信息爬行器主要進(jìn)行頁面信息的收集工作，文檔抽取子系統(tǒng)首先根據(jù)配置文件的約定，定時(shí)產(chǎn)生信息爬行器對分布在網(wǎng)絡(luò)上的信息節(jié)點(diǎn)進(jìn)行遍歷，然后調(diào)用對應(yīng)的文檔適配器來抽取網(wǎng)絡(luò)文檔信息。文檔適配器能夠抽取的頁面文件種類繁多，能夠?qū)Ω鞣N類型的文檔以及多媒體文本信息等。信息爬行器為計(jì)算機(jī)程序的一個(gè)進(jìn)程或線程，通常采用并發(fā)工作方式，以便

2、能可能多、周期盡可能短地搜集網(wǎng)絡(luò)節(jié)點(diǎn)的頁面信息，同時(shí)還要避免死鏈接或無效鏈接。信息爬行器一般采用分布式并行計(jì)算技術(shù)來提高工作的廣度與速度?！　?圖的遍歷算法　　網(wǎng)絡(luò)爬蟲在網(wǎng)絡(luò)中執(zhí)行信息收集的過程實(shí)際上就是一種圖的遍歷。圖的遍歷算法通常有兩種方式：即廣度優(yōu)先算法與深度優(yōu)先算法。下面就具體介紹一下兩種算法?！　⊥ǔＩ疃葍?yōu)先算法使用的數(shù)據(jù)結(jié)構(gòu)為棧，通過棧的出入特點(diǎn)進(jìn)行搜索，其過程首先從該圖的某個(gè)頂點(diǎn)或者子圖出發(fā)，將所有屬本文由.L.收集整理于該子圖的頂點(diǎn)信息的鏈接地址（即URL，UniversalResourceLocator）進(jìn)行

3、壓棧操作，待所有頂點(diǎn)都操作完成后，然后將棧頂?shù)脑厝〕?，根?jù)該元素的URL，訪問該元素URL所指向的網(wǎng)絡(luò)，然后將該頁面的信息進(jìn)行收集與分析，從而得到該頁面內(nèi)部的所有的URL連接信息，再將該頁面所有的連接信息進(jìn)行壓棧，從而按照圖的廣度將圖上所有的鏈接進(jìn)行展開操作，重復(fù)這些步驟就可以對圖進(jìn)行深度搜索遍歷，達(dá)到遍歷收集所有互聯(lián)網(wǎng)信息資源的目的?！　∩疃葍?yōu)先搜索算法在展開頁面鏈接時(shí)總是從棧頂進(jìn)行展開，因此隨著時(shí)間的增加，棧的深度也在不斷增加，位于底部的元素可能會(huì)長時(shí)間不能進(jìn)行處理，從而造成該算法陷入一個(gè)大的頁面而不能繼續(xù)展開遍歷。為了

4、避免這一問題，可以采用廣度優(yōu)先搜索算法，廣度優(yōu)先搜索算法是通過隊(duì)列這種數(shù)據(jù)結(jié)構(gòu)進(jìn)行展開的，根據(jù)各個(gè)元素節(jié)點(diǎn)距離最初節(jié)點(diǎn)的層次對所有的網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行遍歷，從而對每個(gè)節(jié)點(diǎn)都能夠在訪問全網(wǎng)一次的時(shí)間內(nèi)進(jìn)行公平處理，克服了深度優(yōu)先算法陷入局部節(jié)點(diǎn)的不足，也保證了不會(huì)漏掉隊(duì)列后面的的元素，從而達(dá)到了公平對待互聯(lián)網(wǎng)上所有節(jié)點(diǎn)資源的目的?！　≡趶V度優(yōu)先算法中，根據(jù)是否已經(jīng)對節(jié)點(diǎn)進(jìn)行訪問，將爬行隊(duì)列構(gòu)造為兩部分：即待爬行隊(duì)列與已爬行隊(duì)列。待爬行隊(duì)列主要存儲(chǔ)需要進(jìn)行訪問的元素節(jié)點(diǎn)URL，而URL在隊(duì)列中的先后順序則體現(xiàn)了算法的爬行策略。而已爬行隊(duì)

5、列則主要存儲(chǔ)已經(jīng)訪問過的URL，由于該隊(duì)列的長度隨著時(shí)間的增加不斷增長，因此需要優(yōu)化該隊(duì)列的插入與查詢操作；在網(wǎng)絡(luò)爬蟲的爬行過程中，不論是帶爬行隊(duì)列還是已爬行隊(duì)列，都需要頻繁進(jìn)行插入與查詢操作。因此，該隊(duì)列數(shù)據(jù)結(jié)構(gòu)的性能會(huì)直接影響搜索引擎的搜集性能?！　ε佬衅鱽碚f，網(wǎng)頁的采集與解析是核心工作。而爬行程序是否高效，主要取決于網(wǎng)頁采集的效率。其過程分為5個(gè)步驟：　　1）將待爬行隊(duì)列的第一個(gè)元素取出；　　2）訪問DNS服務(wù)器，對URL進(jìn)行域名解析；　　3）根據(jù)ROBOT網(wǎng)絡(luò)協(xié)議，獲取該URL服務(wù)器的權(quán)限；　　4）若得到訪問權(quán)限，則

6、對服務(wù)器發(fā)出URL請求；　　5）通過HTTP協(xié)議進(jìn)行訪問?！　【W(wǎng)絡(luò)爬蟲在工作時(shí)，若頻繁訪問DNS服務(wù)器，可能會(huì)造成比較繁重的網(wǎng)絡(luò)負(fù)擔(dān)，引起服務(wù)器響應(yīng)以及網(wǎng)絡(luò)延遲，會(huì)降低爬行程序的效率。因此，通常在本地服務(wù)器上建立一個(gè)DNS緩存來降低對DNS服務(wù)器的訪問頻率。同時(shí)，為了提高爬行程序的效率，通常采用多線程或者多進(jìn)程來對網(wǎng)頁采集程序進(jìn)行流水線處理，多線程與多進(jìn)程程序設(shè)計(jì)相對比較復(fù)雜，需要解決的問題主要是進(jìn)程的同步和互斥；也就是解決多個(gè)線程或進(jìn)程共享資源的問題。造成死鎖的情況通常是占有一個(gè)資源然后又請求另一資源，因此，若系統(tǒng)只存在一個(gè)

7、共享資源就不會(huì)造成會(huì)死鎖。為了解決餓死問題，通常只采用一個(gè)等待對列，若待爬行隊(duì)列處于使用狀態(tài)，則將要訪問該隊(duì)列的線程插入等待隊(duì)列。而隊(duì)列的特點(diǎn)能夠保證了所有的等待線程都公平對待，從而解決了餓死問題。具體算法如下：　　1）對爬行隊(duì)列上鎖。若爬行隊(duì)列已經(jīng)上鎖，則將該線程或進(jìn)程插入等待對列?！　?）取出待爬行隊(duì)列的URL元素?！　?）對爬行隊(duì)列解鎖，然后喚醒下一個(gè)進(jìn)程或線程?！　?）訪問頁面，將頁面中的URL進(jìn)行解析?！　?）對爬行隊(duì)列上鎖。如爬行隊(duì)列已上鎖，則插入等待對列?！　?）將步驟4）得到的URL插入對列?！　?）對爬行隊(duì)列

8、解鎖，喚醒下一個(gè)進(jìn)程或線程。　　8）重復(fù)1）7）直到結(jié)束。　　3頁面解析　　在解決了互聯(lián)網(wǎng)節(jié)點(diǎn)頁面遍歷的問題后，網(wǎng)絡(luò)爬蟲剩下的工作就是頁面解析，頁面解析主要是分析與理解HTML（超文本標(biāo)記語言）文檔。HTML作為一種標(biāo)記語言，能夠?qū)ヂ?lián)網(wǎng)節(jié)點(diǎn)的頁面外觀進(jìn)行標(biāo)準(zhǔn)化處理，從而規(guī)范