经验啦

  1. 首页 > 生活百科 > >

百度搜索引擎工作原理

生活常识工作ign原理索引ainusp存储系统


百度搜索引擎工作原理

文章插图

Baiduspider 主要抓取策略类型
上图看似简单，但其实Baiduspider在抓取过程中面对的是一个超级复杂的网络环境，为了使系统可以抓取到尽可能多的有价值资源并保持系统及实际环境中页面的一致性同时不给网站体验造成压力，会设计多种复杂的抓取策略 。 以下做简单介绍：
1、抓取友好性
【百度搜索引擎工作原理】 ? ? ? ? 互联网资源庞大的数量级，这就要求抓取系统尽可能的高效利用带宽，在有限的硬件和带宽资源下尽可能多的抓取到有价值资源 。 这就造成了另一个问题，耗费被抓网站的带宽造成访问压力，如果程度过大将直接影响被抓网站的正常用户访问行为 。 因此，在抓取过程中就要进行一定的抓取压力控制，达到既不影响网站的正常用户访问又能尽量多的抓取到有价值资源的目的 。
通常情况下，最基本的是基于ip的压力控制 。 这是因为如果基于域名，可能存在一个域名对多个ip（很多大网站）或多个域名对应同一个ip（小网站共享ip）的问题 。 实际中，往往根据ip及域名的多种条件进行压力调配控制 。 同时，站长平台也推出了压力反馈工具，站长可以人工调配对自己网站的抓取压力，这时百度spider将优先按照站长的要求进行抓取压力控制 。
对同一个站点的抓取速度控制一般分为两类：其一，一段时间内的抓取频率；其二，一段时间内的抓取流量 。 同一站点不同的时间抓取速度也会不同，例如夜深人静月黑风高时候抓取的可能就会快一些，也视具体站点类型而定，主要思想是错开正常用户访问高峰，不断的调整 。 对于不同站点，也需要不同的抓取速度 。
2、常用抓取返回码示意
? ? ? ? 简单介绍几种百度支持的返回码：
? ? ? ? 1）最常见的404代表“NOT FOUND”，认为网页已经失效，通常将在库中删除，同时短期内如果spider再次发现这条url也不会抓取；
? ? ? ? 2）503代表“Service Unavailable”，认为网页临时不可访问，通常网站临时关闭，带宽有限等会产生这种情况 。 对于网页返回503状态码，百度spider不会把这条url直接删除，同时短期内将会反复访问几次，如果网页已恢复，则正常抓取；如果继续返回503，那么这条url仍会被认为是失效链接，从库中删除 。
? ? ? ? 3）403代表“Forbidden”，认为网页目前禁止访问 。 如果是新url，spider暂时不抓取，短期内同样会反复访问几次；如果是已收录url，不会直接删除，短期内同样反复访问几次 。 如果网页正常访问，则正常抓取；如果仍然禁止访问，那么这条url也会被认为是失效链接，从库中删除 。
? ? ? ? 4）301代表是“Moved Permanently”，认为网页重定向至新url 。 当遇到站点迁移、域名更换、站点改版的情况时，我们推荐使用301返回码，同时使用站长平台网站改版工具，以减少改版对网站流量造成的损失 。
3、多种url重定向的识别
? ? ? ? 互联网中一部分网页因为各种各样的原因存在url重定向状态，为了对这部分资源正常抓取，就要求spider对url重定向进行识别判断，同时防止作弊行为 。 重定向可分为三类：http 30x重定向、meta refresh重定向和js重定向 。 另外，百度也支持Canonical标签，在效果上可以认为也是一种间接的重定向 。
4、抓取优先级调配
? ? ? ? 由于互联网资源规模的巨大以及迅速的变化，对于搜索引擎来说全部抓取到并合理的更新保持一致性几乎是不可能的事情，因此这就要求抓取系统设计一套合理的抓取优先级调配策略 。 主要包括：深度优先遍历策略、宽度优先遍历策略、pr优先策略、反链策略、社会化分享指导策略等等 。 每个策略各有优劣，在实际情况中往往是多种策略结合使用以达到最优的抓取效果 。

相关经验推荐


上一篇：星冰粽怎么保存

下一篇：星冰粽要加热吗