spider在抓取過(guò)程中面對著(zhù)復雜的網(wǎng)絡(luò )環(huán)境，為了使系統可以抓取到盡可能多的有價(jià)值資源并保持系統及實(shí)際環(huán)境中頁(yè)面的一致性同時(shí)不給網(wǎng)站體驗造成壓力，會(huì )設計多種復雜的抓取策略。以下簡(jiǎn)單介紹一下抓取過(guò)程中涉及到的主要策略類(lèi)型：

1、抓取友好性：抓取壓力調配降低對網(wǎng)站的訪(fǎng)問(wèn)壓力

2、常用抓取返回碼示意

3、多種url重定向的識別

4、抓取優(yōu)先級調配

5、重復url的過(guò)濾

6、暗網(wǎng)數據的獲取

7、抓取反作弊

8、提高抓取效率，高效利用帶寬

1、抓取友好性

互聯(lián)網(wǎng)資源龐大的數量級，這就要求抓取系統盡可能的高效利用帶寬，在有限的硬件和帶寬資源下盡可能多的抓取到有價(jià)值資源。這就造成了另一個(gè)問(wèn)題，耗費被抓網(wǎng)站的帶寬造成訪(fǎng)問(wèn)壓力，如果程度過(guò)大將直接影響被抓網(wǎng)站的正常用戶(hù)訪(fǎng)問(wèn)行為。因此，在抓取過(guò)程中就要進(jìn)行一定的抓取壓力控制，達到既不影響網(wǎng)站的正常用戶(hù)訪(fǎng)問(wèn)又能盡量多的抓取到有價(jià)值資源的目的。

通常情況下，最基本的是基于ip的壓力控制。這是因為如果基于域名，可能存在一個(gè)域名對多個(gè)ip（很多大網(wǎng)站）或多個(gè)域名對應同一個(gè)ip（小網(wǎng)站共享ip）的問(wèn)題。實(shí)際中，往往根據ip及域名的多種條件進(jìn)行壓力調配控制。同時(shí)，站長(cháng)平臺也推出了壓力反饋工具，站長(cháng)可以人工調配對自己網(wǎng)站的抓取壓力，這時(shí)百度spider將優(yōu)先按照站長(cháng)的要求進(jìn)行抓取壓力控制。

對同一個(gè)站點(diǎn)的抓取速度控制一般分為兩類(lèi)：其一，一段時(shí)間內的抓取頻率；其二，一段時(shí)間內的抓取流量。同一站點(diǎn)不同的時(shí)間抓取速度也會(huì )不同，例如夜深人靜月黑風(fēng)高時(shí)候抓取的可能就會(huì )快一些，也視具體站點(diǎn)類(lèi)型而定，主要思想是錯開(kāi)正常用戶(hù)訪(fǎng)問(wèn)高峰，不斷的調整。對于不同站點(diǎn)，也需要不同的抓取速度。

2、常用抓取返回碼示意

簡(jiǎn)單介紹幾種百度支持的返回碼：

1） 最常見(jiàn)的404代表“NOT FOUND”，認為網(wǎng)頁(yè)已經(jīng)失效，通常將在庫中刪除，同時(shí)短期內如果spider再次發(fā)現這條url也不會(huì )抓??；

2） 503代表“Service Unavailable”，認為網(wǎng)頁(yè)臨時(shí)不可訪(fǎng)問(wèn)，通常網(wǎng)站臨時(shí)關(guān)閉，帶寬有限等會(huì )產(chǎn)生這種情況。對于網(wǎng)頁(yè)返回503狀態(tài)碼，百度spider不會(huì )把這條url直接刪除，同時(shí)短期內將會(huì )反復訪(fǎng)問(wèn)幾次，如果網(wǎng)頁(yè)已恢復，則正常抓??；如果繼續返回503，那么這條url仍會(huì )被認為是失效鏈接，從庫中刪除。

3） 403代表“Forbidden”，認為網(wǎng)頁(yè)目前禁止訪(fǎng)問(wèn)。如果是新url，spider暫時(shí)不抓取，短期內同樣會(huì )反復訪(fǎng)問(wèn)幾次；如果是已收錄url，不會(huì )直接刪除，短期內同樣反復訪(fǎng)問(wèn)幾次。如果網(wǎng)頁(yè)正常訪(fǎng)問(wèn)，則正常抓??；如果仍然禁止訪(fǎng)問(wèn)，那么這條url也會(huì )被認為是失效鏈接，從庫中刪除。

4）301 代表是“Moved Permanently”，認為網(wǎng)頁(yè)重定向至新url。當遇到站點(diǎn)遷移、域名更換、站點(diǎn)改版的情況時(shí)，我們推薦使用301返回碼，同時(shí)使用站長(cháng)平臺網(wǎng)站改版工具，以減少改版對網(wǎng)站流量造成的損失。

3、多種url重定向的識別

互聯(lián)網(wǎng)中一部分網(wǎng)頁(yè)因為各種各樣的原因存在url重定向狀態(tài)，為了對這部分資源正常抓取，就要求spider對url重定向進(jìn)行識別判斷，同時(shí)防止作弊行為。重定向可分為三類(lèi)：http 30x重定向、meta refresh重定向和js重定向。另外，百度也支持Canonical標簽，在效果上可以認為也是一種間接的重定向。

4、抓取優(yōu)先級調配

由于互聯(lián)網(wǎng)資源規模的巨大以及迅速的變化，對于搜索引擎來(lái)說(shuō)全部抓取到并合理的更新保持一致性幾乎是不可能的事情，因此這就要求抓取系統設計一套合理的抓取優(yōu)先級調配策略。主要包括：深度優(yōu)先遍歷策略、寬度優(yōu)先遍歷策略、pr優(yōu)先策略、反鏈策略、社會(huì )化分享指導策略等等。每個(gè)策略各有優(yōu)劣，在實(shí)際情況中往往是多種策略結合使用以達到最優(yōu)的抓取效果。

5、重復url的過(guò)濾

spider在抓取過(guò)程中需要判斷一個(gè)頁(yè)面是否已經(jīng)抓取過(guò)了，如果還沒(méi)有抓取再進(jìn)行抓取網(wǎng)頁(yè)的行為并放在已抓取網(wǎng)址集合中。判斷是否已經(jīng)抓取其中涉及到最核心的是快速查找并對比，同時(shí)涉及到url歸一化識別，例如一個(gè)url中包含大量無(wú)效參數而實(shí)際是同一個(gè)頁(yè)面，這將視為同一個(gè)url來(lái)對待。

6、暗網(wǎng)數據的獲取

互聯(lián)網(wǎng)中存在著(zhù)大量的搜索引擎暫時(shí)無(wú)法抓取到的數據，被稱(chēng)為暗網(wǎng)數據。一方面，很多網(wǎng)站的大量數據是存在于網(wǎng)絡(luò )數據庫中，spider難以采用抓取網(wǎng)頁(yè)的方式獲得完整內容；另一方面，由于網(wǎng)絡(luò )環(huán)境、網(wǎng)站本身不符合規范、孤島等等問(wèn)題，也會(huì )造成搜索引擎無(wú)法抓取。目前來(lái)說(shuō)，對于暗網(wǎng)數據的獲取主要思路仍然是通過(guò)開(kāi)放平臺采用數據提交的方式來(lái)解決，例如“百度站長(cháng)平臺”“百度開(kāi)放平臺”等等。

7、抓取反作弊

spider在抓取過(guò)程中往往會(huì )遇到所謂抓取黑洞或者面臨大量低質(zhì)量頁(yè)面的困擾，這就要求抓取系統中同樣需要設計一套完善的抓取反作弊系統。例如分析url特征、分析頁(yè)面大小及內容、分析站點(diǎn)規模對應抓取規模等等。