随着互联网越来越庞大,其抽象特征也越来越符合离散数学中的图论,这点也是网络爬虫的理论基础。构建互联网的爬虫有三个最重要的基础点:
一、
使用BFS还是DFS
1. BFS的好处在于,突出了网页的权重,因为每个网站,往往首页是最重要的,采用BFS可以在有限的时间内获得更多的有价值的网页。
2. DFS的好处,在于降低了下载服务器同网页服务器之间的握手次数,提高了下载的次数。
二、
页面分析和URL提取
如今网页很多由脚本语言写成,提取URL十分不容易。网络爬虫需要模拟页面运行的记过才能够得到里面隐含的URL。
三、
记录访问过的网页
一个网页可能会有多条入度,我们需要排重算法,使用hash算法是最为合适的。而维护这张hash表是十分重要的一件事,尤其是成千上万的服务器共同访问同一张hash排重表。
解决的方案是,按照服务器进行分类,明确不同服务器的下载分工,A下载这类网页,B下载那一类服务器。在此基础上,通过以批处理的方式query hash表,还能够有效的降低通信的消耗。
来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/29172126/viewspace-772654/,如需转载,请注明出处,否则将追究法律责任。
转载于:http://blog.itpub.net/29172126/viewspace-772654/