《网络蜘蛛算法与蜘蛛程序构架》由会员分享，可在线阅读，更多相关《网络蜘蛛算法与蜘蛛程序构架（11页珍藏版）》请在金锄头文库上搜索。
1、网络蜘蛛算法与蜘蛛程序构架一、网络蜘蛛基本原理网络蜘蛛即Web Spider,是一个很形象的名字。把互联网比喻成一个蜘蛛网，那么Spider 就是在网上爬来爬去的蜘蛛。网络蜘蛛是通过网页的链接地址来寻找网页，从网站某一个页 面（通常是首页）开始，读取网页的内容，找到在网页中的其它链接地址，然后通过这些链 接地址寻找下一个网页，这样一直循环下去，直到把这个网站所有的网页都抓取完为止。如 果把整个互联网当成一个网站，那么网络蜘蛛就可以用这个原理把互联网上所有的网页都抓 取下来。对于搜索引擎来说，要抓取互联网上所有的网页几乎是不可能的，从目前公布的数据 来看，容量最大的搜索引擎也不过是抓取了整个网页
2、数量的百分之四十左右。这其中的原因 一方面是抓取技术的瓶颈，无法遍历所有的网页，有许多网页无法从其它网页的链接中找到； 另一个原因是存储技术和处理技术的问题，如果按照每个页面的平均大小为20K计算（包含 图片），100亿网页的容量是100x2000G字节，即使能够存储，下载也存在问题（按照一台 机器每秒下载20K计算，需要340台机器不停的下载一年时间，才能把所有网页下载完毕）。 同时，由于数据量太大，在提供搜索时也会有效率方面的影响。因此，许多搜索引擎的网络 蜘蛛只是抓取那些重要的网页，而在抓取的时候评价重要性主要的依据是某个网页的链接深 度。在抓取网页的时候，网络蜘蛛一般有两种策略：广度优
3、先和深度优先（如下图所示）。广度优先是指网络蜘蛛会先抓取起始网页中链接的所有网页，然后再选择其中的一个链接网 页，继续抓取在此网页中链接的所有网页。广度优先的抓取I阪序丁A-B.C.D.E.FH.G-I深度优先的孤取顺序匚A-F-GE-H-I由于不可能抓取所有的网页，有些网络蜘蛛对一些不太重要的网站，设置了访问的层数。例如，在上图中，A为起始网页，属于0层，B、C、D、E、F属于第1层，G、H属于 第2层，丨属于第3层。如果网络蜘蛛设置的访问层数为2的话，网页I是不会被访问到的。 这也让有些网站上一部分网页能够在搜索引擎上搜索到，另外一部分不能被搜索到。对于网 站设计者来说，扁平化的网站结构设
4、计有助于搜索引擎抓取其更多的网页。网络蜘蛛在访问网站网页的时候，经常会遇到加密数据和网页权限的问题，有些网页 是需要会员权限才能访问。当然，网站的所有者可以通过协议让网络蜘蛛不去抓取，但对于 一些出售报告的网站，他们希望搜索引擎能搜索到他们的报告，但又不能完全免费的让搜索 者查看，这样就需要给网络蜘蛛提供相应的用户名和密码。网络蜘蛛可以通过所给的权限对 这些网页进行网页抓取，从而提供搜索。而当搜索者点击查看该网页的时候，同样需要搜索 者提供相应的权限验证。二、网站与网络蜘蛛网络蜘蛛需要抓取网页，不同于一般的访问，如果控制不好，则会引起网站服务器负 担过重。每个网络蜘蛛都有自己的名字，在抓取网页
5、的时候，都会向网站标明自己的身份 网络蜘蛛在抓取网页的时候会发送一个请求，这个请求中就有一个字段为User-agent，用 于标识此网络蜘蛛的身份。例如Google网络蜘蛛的标识为GoogleBot, Baidu网络蜘蛛的标 识为BaiDuSpider, Yahoo网络蜘蛛的标识为Inktomi Slurp。如果在网站上有访问日志记录， 网站管理员就能知道，哪些搜索引擎的网络蜘蛛过来过，什么时候过来的，以及读了多少数 据等等。如果网站管理员发现某个蜘蛛有问题，就通过其标识来和其所有者联系。网络蜘蛛进入一个网站，一般会访问一个特殊的文本文件Robots.txt，这个文件一般放 在网站服务器的根目
6、录下，网站管理员可以通过robots.txt来定义哪些目录网络蜘蛛不能访 问，或者哪些目录对于某些特定的网络蜘蛛不能访问。例如有些网站的可执行文件目录和临 时文件目录不希望被搜索引擎搜索到，那么网站管理员就可以把这些目录定义为拒绝访问目 录。Robots.txt语法很简单，例如如果对目录没有任何*，可以用以下两行来描述：User-agent: *Disallow:当然，Robots.txt只是一个协议，如果网络蜘蛛的设计者不遵循这个协议，网站管理员 也无法阻止网络蜘蛛对于某些页面的访问，但一般的网络蜘蛛都会遵循这些协议，而且网站 管理员还可以通过其它方式来拒绝网络蜘蛛对某些网页的抓取。网络蜘蛛
7、在下载网页的时候，会去识别网页的HTML代码，在其代码的部分，会有META 标识。通过这些标识，可以告诉网络蜘蛛本网页是否需要被抓取，还可以告诉网络蜘蛛本网 页中的链接是否需要被继续跟踪。例如：表示本网页不需要被抓取，但是网页内的链接需要 被跟踪。 关于Robots.txt的语法和META Tag语法，前面的一篇禁止搜索引擎收录的方法”一文中 做了详细的介绍。现在一般的网站都希望搜索引擎能更全面的抓取自己网站的网页，因为这样可以让更 多的访问者能通过搜索引擎找到此网站。为了让本网站的网页更全面被抓取到，网站管理员 可以建立一个网站地图，即Site Map。许多网络蜘蛛会把sitemap.htm
8、文件作为一个网站网 页爬取的入口，网站管理员可以把网站内部所有网页的链接放在这个文件里面，那么网络蜘 蛛可以很方便的把整个网站抓取下来，避免遗漏某些网页，也会减小对网站服务器的负担（Google专门为网站管理员提供了 XML的Sitemap）三、网络蜘蛛对内容提取搜索引擎建立网页索引，处理的对象是文本文件。对于网络蜘蛛来说，抓取下来网页 包括各种格式，包括html、图片、doc、pdf、多媒体、动态网页及其它格式等。这些文件抓 取下来后，需要把这些文件中的文本信息提取出来。准确提取这些文档的信息，一方面对搜 索引擎的搜索准确性有重要作用，另一方面对于网络蜘蛛正确跟踪其它链接有一定影响。对于do
9、c、pdf等文档，这种由专业厂商提供的软件生成的文档，厂商都会提供相应的 文本提取接口。网络蜘蛛只需要调用这些插件的接口，就可以轻松的提取文档中的文本信息 和文件其它相关的信息。HTML等文档不一样，HTML有一套自己的语法，通过不同的命令标识符来表示不同的 字体、颜色、位置等版式，如：、等，提取文本信息时需要把这些标识符都过滤掉。过滤标 识符并非难事，因为这些标识符都有一定的规则，只要按照不同的标识符取得相应的信息即 可。但在识别这些信息的时候，需要同步记录许多版式信息，例如文字的字体大小、是否是 标题、是否是加粗显示、是否是页面的关键词等，这些信息有助于计算单词在网页中的重要 程度。同时，
10、对于HTML网页来说，除了标题和正文以外，会有许多广告链接以及公共的频 道链接，这些链接和文本正文一点关系也没有，在提取网页内容的时候，也需要过滤这些无 用的链接。例如某个网站有“产品介绍”频道，因为导航条在网站内每个网页都有，若不过滤 导航条链接，在搜索“产品介绍”的时候，则网站内每个网页都会搜索到，无疑会带来大量垃 圾信息。过滤这些无效链接需要统计大量的网页结构规律，抽取一些共性，统一过滤；对于 一些重要而结果特殊的网站，还需要个别处理。这就需要网络蜘蛛的设计有一定的扩展性。四、网络蜘蛛的程序构架用 ASP 构造网络蜘蛛那么如何用ASP构建网络蜘蛛呢？答案是：Internet transf
11、er control （ITC）。这个由微 软提供的控件，将使你能够通过ASP程序访问Internet资源。你可以用ITC搜寻Web页面， 访问FTP服务器，甚至可以发送邮件标题。在本文里，我们将着重讨论搜寻Web页面的功有几个缺陷必须先说明一下。第一， ASP 无权访问 Windows 的注册表，这就使某 些ITC正常存储的常量和数值不可用。通常你可以通过设置ITC为“不使用默认值”来解决 这个问题，这就需要你在运行过程中指明每一次的值。另一个更严重的问题是关于许可证书的。由于ASP不具备调用License Manager （一项 Windows中的功能，可以保证组件和控件的合法使用）的功能
12、，那么当License Manager检 查当前组件的密钥密码，并将其与Windows注册表进行比较后，如果发现它们不同，该组 件将不会工作。因此，当你想把ITC配置到另一台没有所需密钥的计算机上时，将导致ITC崩溃。解决的办法之一是将ITC*到另一个VB组件中，由VB组件复制ITC的路径和工具, 从而进行配置。这项工作很麻烦，但不幸的是，它是必不可少的。你可以用下面的编码建立ITC：set Inet1 = CreateObject(InetCtls.Inet)Inet1.protocol = 4 Inet1.accesstype = 1 Inet1.requesttimeout = 60In
13、et1.URL = strURL strHTML = Inet1.OpenURL下面是一些例子：HTTPDirect connection to internet in secondsgrab HTML page现在strHTML保存着strURL指向的整个页面的HTML内容。要建立一个常规网络蜘 蛛，你现在只需要调用 instr() 功能来看看你寻找的串是否在当前位置即可。你也可以按照 href标记寻找，解析当前的URL,然后把它设置到Internet控件的属性中去，接着再继续打 开另一个页面。用来查看所有链接的最好方法是使用递归。要注意的是，尽管这种方法很易于实行，却不是非常准确和强大。今
14、天的许多搜索 引擎都可以进行额外的逻辑检查，例如计算一个页面中某一短语重复的次数，相关字词的近 似程度等，有些甚至可以用来判断所搜寻的语段与上下文的关系。用 VB 构造网络蜘蛛蜘蛛程序网站层次及其工作原理描述 序号网站层次父序号1 http:/ 1 02 http:/ 213 http:/ 214 http:/ 3 25 http:/ 3 2蜘蛛程序首先从层次1 (http:/ 链接记录到数据库(或者大数组等)，并把这些网站链接标识为层次2；当把层次2全部记录到数据库后，开始从层次2中顺序为第一的(这里指序号为2的网 站)网站链接开始提取其下面的的所有链接记录到数据库，并把这些网站链接标识为层
15、次3 然后依次把层次为2 的网站的所有链接记录到数据库，同时把他们的层次标识为层次3；当层次3全部记录数据库后，开始从层次3中顺序为第一的网站链接开始提取，依次类推即可！注意：程序要保留一个指针记录当前正在*作的序号！另外您也可以增加一个父序号字 段来记录他们之间的继承关系!层次 1 表示为网络种子；我们这里把网络种子放在第一层，根据需要您可以设置一个或者多个网络种子，实际上我们通过这个层次图可以很显然地看出来，低层次的网址就是高层次的网络种子。也就是说只要有一个或者几个网络种子，我们就可以通过他们的链接找到更多的网络种子。只要这样我们的蜘蛛才能永远地运行下去！层次2 是通过层次1(即网络种子)抓取到的链接；层次3 是通过层次2抓取到的链接；依次类推，构成一棵大树！蜘蛛程序关键代码：这里使用 VB 实现核心部分的代码，当然您也可以很简单地转换成其他语言代码。在这里了为了简单起见，我们这里不对数据库*作，我们建立一个二维数组存放我们的网址 ！Dim Web(4,10000)Dim PointerDim IdDim LayerDim Running /建立数组/建立指针，记录当前种子/建立序号，记录当前抓
