爬行抓取之蜘蛛

所謂的爬行和抓取，是搜索引擎工作的第一步。搜索引擎要向用戶提供信息，自己的數據庫里面就必須有龐大的數據量。所以，在網絡上搜尋有一定質量的內容放入自己數據庫是很重要的事情。

搜索引擎用來爬行和訪問頁面的程序被稱為蜘蛛（spider）。

1

robots協議

蜘蛛訪問網站頁面時，類似用戶訪問。不同的是，蜘蛛在訪問一個網站的時候，都會先訪問網站根目錄下的robots.txt文件。這個文件是網站和搜索引擎的一個協議，蜘蛛會遵守協議，不抓取被禁止的網址。

2

各搜索引擎蜘蛛

從訪問日志當中，可以看到各搜索引擎的蜘蛛命名方式不一樣：

Baiduspider百度蜘蛛

360spider 360蜘蛛

熟悉各家蜘蛛的名稱，對后期優化中，分析爬行日志有很大作用。

3

爬行原則

蜘蛛爬行有兩種原則：廣度原則和深度原則。如下圖：

深度原則的爬行方式：A-B-D-C-E-F

廣度原則的爬行方式：A-B-C-D-E-F

兩種方式各有優劣勢，分別影響的是爬行網站數量多少和內頁內容深度。

從理論上說，不管是深度優先還是廣度優先，只要時間夠，蜘蛛都能爬整個網絡。但是在實際情況下，由于資源、時間的限制，搜索引擎需要一個科學的爬行規則。

所以搜索引擎往往是深度、廣度通常是混合使用的，這樣既客戶照顧盡量多的網站，也能增加網站內頁收錄。

PS思考：蜘蛛爬行的時候，怎么判斷某個網站深度深一點？