有的时候提取URL的时候不一定按照队列“先进先出”的方式来进行遍历,而是将某些重要的URL先遍历,这种策略称为“页面选择”(Page Selection)。这种策略可以有效地照顾重要性高的网页。
1.网页重要性高的因素
链接的欢迎度:
主要由反向链接(backlinks,指向当前URL的链接)的数量和质量决定,我们定义为IB(P);
链接的重要度:
这是一个关于URL富川的函数,仅仅考察字符串本身,例如,我们认为“.com”和“home”的URL重要度比“.cc”和”map”高,我们定义为IL(P);
平均链接的深度:
跟读宽度优先的原则计算出全站的平均链接深度,然后认为距离种子站点越近的重要性越高。我们定义为ID(P);
如果我们定义一个网页的重要性为I(P),那么由下面的公式所决定:
I(P)=X*IB(P)+Y*IL(P)
其中X和Y两个参数用来调整IB(P)和IL(P)所占的比例的大小,ID(P)由宽度优先的遍历规则保证,因此不作为重要的指标函数。
例子
假设下图中节点的重要性排序为D>B>C>A>E>F>I>G>H。
TODO优先级队列 | Visited表 |
---|---|
A | 空 |
DBCEF | A |
BCEF | AD |
CEF | ADB |
EF | ABDC |
FH | ABDCE |
GH | ABDCEF |
H | ABDCEFG |
I | ABDCEFGH |
空 | ABDCEFGHI |