EMBA的小眼睛

說的簡單易懂一些，網絡爬蟲跟你使用的?離線閱讀?工具差不多。說離線，其實還是要跟網絡聯結，否則怎么抓東西下來？那么不同的地方在哪里？

1）網絡爬蟲高度可配置性。

2）網絡爬蟲可以解析抓到的網頁里的鏈接

3）網絡爬蟲有簡單的存儲配置

4）網絡爬蟲擁有智能的根據網頁更新分析功能

5）網絡爬蟲的效率相當的高

那么依據特征，其實也就是要求了，如何設計爬蟲呢？要注重哪些步驟呢？

1）url 的遍歷和紀錄

這點 larbin 做得非常的好，其實對于url的遍歷是很簡單的，例如：

cat [what you got]　 tr \" \\n 　 gawk '{print $2}' 　 pcregrep ^http://

就可以得到一個所由的 url 列表

2）多進程 VS 多線程

各有優點了，現在一臺普通的PC 例如 booso.com 一天可以輕松爬下5個G的數據。大約20萬網頁。

3）時間更新控制

最傻的做法是沒有時間更新權重，一通的爬，回頭再一通的爬。

通常在下一次爬的的數據要跟上一次進行比較，假如連續5次都沒有變化，那么將爬這個網頁的時間間隔擴大1倍。

假如一個網頁在連續5次爬取的時候都有更新，那么將設置的爬取時間縮短為原來的1／2。

注重，效率是取勝的要害之一。

4）爬的深度是多少呢？

看情況了。假如你比較牛，有幾萬臺伺服器做網絡爬蟲，我勸您跳過這一點。

假如你同我一樣只有一臺伺服器做網絡爬蟲，那么這樣一個統計您應該知道：

網頁深度：網頁個數：網頁重要程度

0 : 1 : : 10

1 :20 : :8

2: :600: :5

3: :2000: :2

4 above: 6000: 一般無法計算

好了，爬到三級就差不多了，再深入一是數據量擴大了3／4倍，二是重要度確下降了許多，這叫做“種下的是龍種，收獲的是跳蚤。

5）爬蟲一般不之間爬對方的網頁，一般是通過一個Proxy出去，這個proxy有緩解壓力的功能，因為當對方的網頁沒有更新的時候，只要拿到 header 的 tag就可以了，沒有必要全部傳輸一次了，可以大大節約網絡帶寬。

apache webserver里面紀錄的 304 一般就是被cache的了。

6）請有空的時候照看一下robots.txt

7）存儲結構。

這個人人見智，google 用 gfs 系統，假如你有7／8臺伺服器，我勸你用NFS系統，要是你有70／80個伺服器的話我建議你用afs 系統，要是你只有一臺伺服器，那么隨便。

給一個代碼片斷，是我寫的新聞搜索引擎是如何進行數據存儲的：

NAME=`echo $URL 　perl -p -e 's/([^\w\-\.\@])/$1 eq "\n" ? "\n":sprintf("%%%2.2x",ord($1))/eg'`mkdir -p $AUTHOR

newscrawl.pl$URL--user-agent="news.booso.com ( http://booso.com)"-outfile=$AUTHOR/$NAME

非凡是注重以下幾句：

1.通常在下一次爬的的數據要跟上一次進行比較，假如連續5次都沒有變化，那么將爬這個網頁的時間間隔擴大1倍，假如一個網頁在連續5次爬取的時候都有更新，那么將設置的爬取時間縮短為原來的1／2。

網頁更新頻度嚴重影響著搜索引擎蜘蛛程度對網站的爬行，爬取次數越多意味著網頁收錄幾率會越大、收錄數量越多，收錄是SEO最基礎的一個環節。

2.好了，爬到三級就差不多了，再深入一是數據量擴大了3／4倍，二是重要度確下降了許多，這叫做“種下的是龍種，收獲的是跳蚤。

盡量將網站保持在三級目錄內，深層次的網頁會給搜索引擎帶來很大的壓力，當然，我想Google有足夠的伺服器來承擔這些壓力，但從側面來說，3層目錄下的網頁被抓取及更新的頻度要低很多。前面，我說過，要想辦法使網站物理結構和邏輯結構吻合，這體現于URL的良好設計，現在你可以檢查下前臺生成的靜態網頁的實際目錄有幾層，考慮是否可以優化