网站建设|北京网站建设|北京网站制作|北京网站建设首选品牌【企通互联】

说的简单易懂一些，网络爬虫跟你使用的〖离线阅读〗工具差不多。说离线，其实还是要跟网络联结，否则怎么抓东西下来？那么不同的地方在哪里？ 北京网站设计
北京网站设计
　　1）网络爬虫高度可配置性。 企通互联
www.qitongnet.com
　　2）网络爬虫可以解析抓到的网页里的链接 网站设计
北京网站建设
　　 北京网页设计3）网络爬虫有简单的存储配置 网站设计
网站设计
　　4）网络爬虫拥有智能的根据网页更新分析功能 www.qitongnet.com
北京网站建设
　　5）网络爬虫的效率相当的高 北京网站建设
网站制作
网站设计　　那么依据特征，其实也就是要求了，如何设计爬虫呢？要注意哪些步骤呢？ 北京网站制作
网站设计
　　1）url 的遍历和纪录 网站设计
企通互联
　　这点 larbin 做得非常的好，其实对于url的遍历是很简单的，例如： 网站制作
www.qitongnet.com
　　cat [what you got]　 tr \" \\ 　 gawk '{print $2}' 　 pcregrep ^http:// 网站设计
网页设计
www.qitongnet.com　　就可以得到一个所由的 url 列表 网站制作
北京网站设计
　　2）多进程 VS 多线程 北京网页设计
北京网站制作
　　各有优点了，现在一台普通的PC 例如 booso.com 一天可以轻松爬下5个G的数据。大约20万网页。 北京网页设计
www.qitongnet.com
　　3）时间更新控制 网站制作
www.qitongnet.com
　　最傻的做法是没有时间更新权重，一通的爬，回头再一通的爬。 企通互联
企通互联
网页设计　　通常在下一次爬的的数据要跟上一次进行比较，如果连续5次都没有变化，那么将爬这个网页的时间间隔扩大1倍。 北京网站建设
网站设计
　　如果一个网页在连续5次爬取的时候都有更新，那么将设置的爬取时间缩短为原来的1／2。 www.qitongnet.com
北京网站制作
　　注意，效率是取胜的关键之一。 网站制作 北京网站建设
网站制作
　　4）爬的深度是多少呢？ www.qitongnet.com
网站建设
　　看情况了。如果你比较牛，有几万台服务器做网络爬虫，我劝您跳过这一点。 网页设计
网站制作
　　如果你同我一样只有一台服务器做网络爬虫，那么这样一个统计您应该知道： 北京网站设计
北京网站建设
　　 网页深度：网页个数：网页重要程度 企通互联
网站制作
　　0 : 1 : : 10 北京网页设计
北京网站制作
　　1 :20 : :8 北京网站建设网站制作
北京网站制作企通互联
　　2: :600: :5 北京网站设计
网页设计
　　3: :2000: :2 网站建设
企通互联
　　4 above: 6000: 一般无法计算 北京网站制作
网站建设
　　 好了，爬到三级就差不多了，再深入一是数据量扩大了3／4倍，二是重要度确下降了许多，这叫做“种下的是龙种，收获的是跳蚤。 网站设计
网站制作
　　5）爬虫一般不之间爬对方的网页，一般是通过一个Proxy出去，这个proxy有缓解压力的功能，因为当对方的网页没有更新的时候，只要拿到 header 的 tag就可以了，没有必要全部传输一次了，可以大大节约网络带宽。 北京网站建设
网页设计
　　apache webserver里面纪录的 304 一般就是被cache的了。 企通互联
网站设计
　　 6）请有空的时候照看一下robots.txt 北京网站建设
网站建设
　　 7）存储结构。 网站制作
网页设计
　　这个人人见智，google 用 gfs 系统，如果你有7／8台服务器，我劝你用NFS系统，要是你有70／80个服务器的话我建议你用afs 系统，要是你只有一台服务器，那么随便。 网站制作
北京网站建设
　　 给一个代码片断，是我写的新闻搜索引擎是如何进行数据存储的： 北京网站建设
北京网站设计
　　 NAME=`echo $URL 　perl -p -e 's/([^\w\-\.\@])/$1 eq "\ " ? "\ ":sprintf("%%%2.2x",ord($1))/eg'`mkdir -p $AUTHOR 网站建设
北京网站设计
　　newscrawl.pl$URL--user-agent="news.booso.com ( http://booso.com)"-outfile=$AUTHOR/$NAME www.qitongnet.com

特别是注意以下几句： 北京网站建设
北京网站建设
　　1.通常在下一次爬的的数据要跟上一次进行比较，如果连续5次都没有变化，那么将爬这个网页的时间间隔扩大1倍，如果一个网页在连续5次爬取的时候都有更新，那么将设置的爬取时间缩短为原来的1／2。 网页设计
网页设计
企通互联　　 网页更新频度严重影响着搜索引擎蜘蛛程度对网站的爬行，爬取次数越多意味着网页收录几率会越大、收录数量越多，收录是SEO最基础的一个环节。 网站制作
网站设计
　　2.好了，爬到三级就差不多了，再深入一是数据量扩大了3／4倍，二是重要度确下降了许多，这叫做“种下的是龙种，收获的是跳蚤。 北京网站设计
网站制作
　　尽量将网站保持在三级目录内，深层次的网页会给搜索引擎带来很大的压力，当然，我想Google有足够的服务器来承担这些压力，但从侧面来说，3层目录下的网页被抓取及更新的频度要低很多。前面，我说过，要想办法使网站物理结构和逻辑结构吻合，这体现于URL的良好设计，现在你可以检查下前台生成的静态网页的实际目录有几层，考虑是否可以优化。（责任编辑：admin02）