搜索引擎如何抓取网页(搜索引擎好的搜集策略是优先搜集重要的网页，他们并不是平行的抓取)

　　搜索引擎如何抓取网页(搜索引擎好的搜集策略是优先搜集重要的网页，他们并不是平行的抓取)

　　面对海量的网页，搜索引擎不会并行抓取每个网页，因为无论搜索引擎数据库如何扩展，都跟不上网页的增长速度。搜索引擎会优先抓取最重要的网页。一方面，保存数据库对普通用户也有帮助，因为对于用户来说，他们不需要大量的结果，只需要最重要的结果。因此，一个好的采集策略是先采集重要的网页，这样最重要的网页才能在最短的时间内被抓取到。

　　那么搜索引擎如何首先抓取最重要的页面呢？

　　通过分析大量网页的特征，搜索引擎认为重要的网页具有以下基本特征，虽然不一定完全准确，但大多数时候确实如此：

　　1) 一个网页被其他网页链接的特点，如果链接频繁或者被重要网页链接，就是非常重要的网页；

　　2)网页的父网页被多次链接或被重要网页链接。比如一个网页是网站的内页，但是它的主页被链接了很多次，而且主页也被链接了，如果找到这个页面，说明这个页面也比较重要；

　　3)网页内容被转载广泛传播。

　　4) 网页的目录深度较小，便于用户浏览。“URL目录深度”这里定义为：网页URL除域名部分外的目录级别，即如果URL为，则目录深度为0；如果是，则目录深度为 1，依此类推。需要注意的是，URL目录深度小的网页并不总是重要的，目录深度大的网页也并非都是不重要的。一些学术论文的网页网址具有较长的目录深度。大多数重要度高的网页都会同时具备以上四个特征。

　　5)先采集网站首页，给首页分配高权重。网站的数量远小于网页的数量，重要的网页必须从这些网站首页链接，所以采集工作应优先获取尽可能多的网站@ > 主页尽可能。

　　问题来了。当搜索引擎开始抓取网页时，它可能不知道该网页是链接还是转载。，这些因素只有在获得网页或几乎任何网页链接结构后才能知道。那么如何解决这个问题呢？即在爬取时可以知道特征4和特征5，只有特征4可以在不知道网页内容的情况下（在网页爬取之前）判断一个URL是否符合网页内容。“重要”的标准，网页URL目录深度的计算就是对字符串的处理。统计结果表明，一般 URL 的长度小于 256 个字符，使得 URL 目录深度的判断更容易实现。因此，特征 4 和特征 5 是最有价值的采集策略确定的指导因素。

　　但是，特征 4 和 5 有局限性，因为链接的深度并不能完全表明页面的重要性。那么如何解决这个问题呢？搜索引擎使用以下方法：

　　1) URL 权重设置：根据 URL 的目录深度确定。权重随着深度的减少而减少，最小权重为零。

　　2) 将 URL 初始权重设置为固定值。

　　3) 如果“/”、“?”或“&”字符在 URL 中出现一次，则权重减少一个值，并且

　　如果“search”、“proxy”或“gate”使用一次，权重减少一个值；最多减少到零。（包括”？”，

　　带“&”的URL是带参数的形式，需要通过被请求方的程序服务获取网页，而不是搜索引擎系统重点关注的静态网页，因此权重相应降低。收录“search”、“proxy”或“gate”，表示该网页最有可能是搜索引擎检索到的结果页面，即代理页面，因此应降低权重）。

　　4) 选择未访问 URL 的策略。因为权重值小并不一定代表不重要，有必要

　　有机会采集权重较小的未访问 URL。选择未访问URL的策略可以采用轮询的方式，根据权重顺序选择一个，随机选择一个，或者随机选择N次。

　　当搜索引擎爬取大量网页时，就进入了解读网页前三个特征的阶段，然后通过大量的算法判断网页的质量，然后给出一个相对的排行。