簡単に言えば、Web クローラーは、使用する「オフライン読み取り」ツールに似ています。オフラインであっても、インターネットに接続する必要があります。そうしないと、どうやってダウンロードできるのでしょうか?それで、違いは何でしょうか? 1) Web クローラーは高度に構成可能です。 2) ウェブクローラーはキャプチャしたウェブページ内のリンクを解析できる 3) Webクローラーはシンプルなストレージ構成を持つ 4) ウェブクローラーはウェブページの更新に基づいたインテリジェントな分析機能を備えている 5) ウェブクローラーは非常に効率的である では、実際には要件である機能に基づいて、クローラーをどのように設計すればよいのでしょうか?どのステップに重点を置くべきでしょうか? 1) URLトラバーサルと記録 Larbin はこれをうまくやっています。実際、URL をトラバースするのは非常に簡単です。たとえば、次のようになります。 cat [結果] tr \" \\n gawk '{print $2}' pcregrep ^http:// URLのリストを取得できます。 2) マルチプロセスとマルチスレッド それぞれに利点があります。現在、booso.com などの一般的な PC は、1 日に 5G のデータを簡単にクロールできます。約20万のウェブページ。 3) 時間更新制御 最も愚かなことは、重量を更新する時間がなく、一気に登り、戻ってもう一度登ることです。 通常、次のクロールのデータは前回のクロールと比較されます。5 回連続して変化がない場合は、この Web ページをクロールする時間間隔が 2 倍になります。 5 回連続のクロール中に Web ページが更新されると、クロール時間は元の時間の半分に短縮されます。 効率性が成功の鍵の 1 つであることに注意してください。 4) 這う深さはどのくらいですか? それは状況によります。非常に強力で、Web クローラーを実行するサーバーが何万台もある場合は、この点をスキップすることをお勧めします。 私のように Web クロール用のサーバーが 1 つしかない場合は、次の統計を知っておく必要があります。 ウェブページの深さ: ウェブページの数: ウェブページの重要度 0 : 1 : : 10 1:20::8 2: :600: :5 3: :2000: :2 4上記:6000:一般的には計算できない まあ、レベル 3 まで登れば十分です。さらに深く進むと、データ量が 3/4 倍になり、重要度が大幅に低下します。これを「ドラゴンの種を植えてノミを収穫する」といいます。 5) クローラーは通常、互いのウェブページを直接クロールしません。通常はプロキシを経由してクロールします。このプロキシには、負荷を軽減する機能があります。相手のウェブページが更新されていない場合は、ヘッダータグを取得するだけで十分です。一度にすべてを送信する必要がないため、ネットワーク帯域幅を大幅に節約できます。 Apache Web サーバーに記録された 304 は通常キャッシュされます。 6) 時間があるときにrobots.txtを確認してください 7) ストレージ構造。 これは意見の問題です。Google は gfs システムを使用しています。サーバーが 7 台または 8 台ある場合は、NFS システムを使用することをお勧めします。サーバーが 70 台または 80 台ある場合は、afs システムを使用することをお勧めします。サーバーが 1 台しかない場合は、どちらでも問題ありません。 以下は、私が作成したニュース検索エンジンがデータを保存する方法のコード スニペットです。 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
1. 通常、次のクロールのデータは前回のクロールと比較されます。5 回連続して変更がない場合は、Web ページをクロールする時間間隔が 2 倍になります。5 回連続のクロール中に Web ページが更新された場合は、設定されたクロール時間が元の時間の 1/2 に短縮されます。 ウェブページの更新頻度は、検索エンジンのスパイダーによるウェブサイトのクロールの度合いに重大な影響を及ぼします。ウェブページがクロールされる回数が多いほど、含まれる可能性が高くなり、含まれるページの数も増えます。インクルージョンは SEO の最も基本的な部分です。 原題: 検索エンジンにおけるウェブクローラーの設計分析 キーワード: ネットワーク |
<<: Googleがユーザーに注意喚起:リンクの交換はPRインデックスを下げる
>>: ウェブサイトのPR価値とページのPR価値について簡単に説明します
ウェブサイトの最適化におけるフレンドリー リンクの役割は明らかです。フレンドリー リンクの品質は、ウ...
確かに、Baiduには多くの技術的な欠陥があります。ここでは、Baiduの技術的な欠陥であると私が個...
音楽のダウンロードにお金を払うのは難しいです。イラスト:北京ニュースの趙斌レコード会社は統一されてお...
IT 関係者の視点から見ると、丁磊が豚を飼育しているのは目新しいことではない。劉強東さんは米を栽培し...
北京時間のこの日の早朝、 Twitter のフロントエンド エンジニアである Angus Crol ...
10月23日、百度のアルゴリズムが再びアップグレードされ、ハイパーリンクの不正操作によって百度の検索...
まず、オンプレミスと同じアーキテクチャを使用して、レンタルベースでクラウドで実行することで、同じ機能...
ウェブサイトのブランドキーワード名は、一般的には会社名または製品ブランド名です。ブランドキーワードの...
著者:顧暁波Appleの開発者向けウェブサイトがダウンしたことで、1週間前から公開されていたApac...
どの海外VPSを選択すればよいですか?使いやすい海外VPSはどれですか?どの海外VPSをお勧めします...
launchvpsは2009年に設立されたアメリカのVPS業者で、主にLXCとKVM仮想化をベースに...
Canonical タグは、Google、Yahoo、Microsoft などの検索エンジンが共同で...
4月7日、アリババクラウドは「アリ版GPT」通益千聞の招待入場を発表し、大きな注目を集めた。 4月1...
1991 年にインターネットが誕生して以来、従来のホスティング モデルには多くの弱点があるにもかかわ...
ハハ、たくさんの人が自分の経験を共有しているのを見て、私も自分の考えを共有したいと思います!大量メー...