検索エンジンにおけるウェブクローラーの設計分析

検索エンジンにおけるウェブクローラーの設計分析

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


次の文に特に注意してください。

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

推薦する

SEO インスピレーション映画: 生き残れる者は英雄だ

最近、交流会で、ある有名な格言を耳にしました。「業界が華やかに見えるほど、その裏では一生懸命働いてい...

2019年中国情報フロー広告市場の現状!

モバイルインターネットトラフィック配当の消滅に伴い、モバイルマーケティング市場規模の成長率は引き続き...

shockvps-ルーマニアの無制限トラフィックVPSの簡単なレビュー

shockvps は最近、HostCat の独占割引コードを開設しました。最初であるという原則に沿っ...

2019年下半期の産業インターネットの8大トレンド!

「ビジネス」という言葉は、産業用インターネットでは異なる意味を持つようです。説明しなくても、人々が自...

テンセントクラウドは大きな成功を収め、中国のクラウド市場でトップの地位を維持している。

[[260684]]テンセントは最近、2018年の通期業績を発表し、収益は前年比32%増の3126億...

ベテランウェブマスターが、他人の立場に立って訪問者の体験を向上させる方法について語る

訪問者の体験は、サイトの成長を支え、サイト存続の基盤となります。訪問者にとってフレンドリーな体験のな...

分散の基礎、2 フェーズ コミットとは何ですか?

前の記事「分散トランザクション、こんな遊び方もできる?」多くの議論を引き起こした。分散したものについ...

Aoyoyun ホスティング: ドイツの CUII (AS9929) ライン VPS の簡単なレビュー

aoyoyunメインフレームのドイツデータセンターは、以前はCN2 GIAに接続されていました。公式...

SEO神話の崩壊と復活の解釈

SEO という言葉は外国製品ですが、国内の検索市場プラットフォームに登場して以来、謎めいた印象を与え...

検索エンジンはまだ必要ですか?

ショートビデオ、セルフメディア、インフルエンサーのためのワンストップサービス検索エンジンは今でも必要...

独創性は必ずしも良いものではありません。ユーザーエクスペリエンスを満たす独創性が真に良いのです。

記事執筆について話すのは頭の痛い話です。一部のウェブマスターはウェブサイトの内容に困惑しています。粘...

Ganji.com のドメイン名がひっそりと所有者変更: CEO の元妻は財産分与のためだと主張

Ganji.com社長の楊浩然氏と元妻の王紅燕氏との間の離婚財産分与訴訟に新たな展開が生じた。昨日(...

1 か月で毎日の IP を 1,000 から 20,000 に増やす方法

昨年開設したウェブサイトの SEO を過去 2 か月間実践した経験に基づいて、Baidu SEO に...

マルチクラウド管理の5つの重要なヒント

組織にとってより優れたマルチクラウド管理戦略には、ID 管理、データセンターの複数のクラウドへの関連...

ウェブサイトのマーケティング機能を向上させる新しいオンラインプロモーション方法

企業がネットワーク運用モデルに参加し、マーケティング Web サイトを構築した後は、プロモーションと...