爬虫(一)---爬行算法

最近想梳理一下搜索搜索引擎相关的理论与技术，从爬虫开始，总结一下这方面的问题与解决方案。

不论是分布式爬虫还是单体爬虫、主题爬虫等，最关键的是爬行算法，而作为爬虫数据源的互联网可以抽象的看作是一张有向图，现对该图定义如下：

1.将互联网定义为图

2.每个页面定义为图节点

3.页面中的链接定义为有向边

简而言之，爬虫通过遍历这张有向图来爬取相关信息，并使用这些信息创建索引供检索程序查询。

图的遍历算法有深度优先算法与宽度优先算法，而前者容易使爬虫陷入黑洞，所以宽度优先算法被用来实现爬虫的爬行算法，但是有时也不会完全按照宽度优先算法进行爬行，而是做相应的变通，如带偏好的爬行算法。

首先来看图的宽度的优先遍历算法，

图1为要遍历的图：

图-1 要遍历的有向图

选择A为遍历的根节点，则具体的遍历过程如下表所示：

操作	队列