网络爬虫关于网页搜索策略是什么

 

    网页的内容不仅要要让用户观看，也要给蜘蛛爬虫进行“查看”。网页的抓取策略可以分为深度优先、广度优先和最佳优先三种，深度优先在很多情况下会导致爬虫的陷入（trapped）问题，目前常见的是广度优先和最佳优先方法。

    广度优先搜索策略是指在抓取过程中，在完成当前层次的搜索后，才进行下一层次的搜索。该算法的设计和实现相对简单，在目前为覆盖尽可能多的网页，其基本思想是认为与初始URL在一定链接距离内的网页具有主题相关性的概率很大，一般使用广度优先搜索方法。这些方法的缺点在于，随着抓取网页的增多，大量的无关网页将被下载并过滤，算法的效率将变低，也有很多研究将广度优先搜索策略应用于聚焦爬虫中；另外一种方法是将广度优先搜索与网页过滤技术结合使用，先用广度优先策略抓取网页，再将其中无关的网页过滤掉。

    最佳优先搜索策略按照一定的网页分析算法，预测候选URL与目标网页的相似度，或与主题的相关性，并选取评价最好的一个或几个URL进行抓取，存在的一个问题是，在爬虫抓取路径上的很多相关网页可能被忽略，因为最佳优先策略是一种局部最优搜索算法，它只访问经过网页分析算法预测为“有用”的网页。研究表明，这样的闭环调整可以将无关网页数量降低30％~90％，因此需要将最佳优先结合具体的应用进行改进，以跳出局部最优点。

    基于领域概念是另一种描述方式是建立目标领域的本体或词典，用于从语义角度分析不同特征在某一主题中的重要程度，在HIWE系统中，爬行管理器负责管理整个爬行过程，基于目标数据模式的爬虫针对的是网页上的数据，所抓取的数据一般要符合一定的模式，或者可以转化或映射为目标数据模式。分析下载的页面，将包含表单的页面提交表单处理器处理，表单处理器先从页面中提取表单，从预先准备好的数据集中选择数据自动填充并提交表单，由爬行控制器下载相应的结果页面。

    没有想到关于网页的搜索和设计有这么多需要注意的细节吧，所以古话说的非常对，学无止境啊。

 

更多产品了解

欢迎扫码加入云巴巴企业数字化交流服务群

产品交流、问题咨询、专业测评

都在这里！