搜索引擎蜘蛛產(chǎn)生的背景

隨著網(wǎng)絡(luò)的迅速發(fā)展，萬維網(wǎng)成為大量信息的載體，如何有效地提取并利用這些信息成為一個巨大的挑戰(zhàn)。搜索引擎(SearchEngine)，例如傳統(tǒng)的通用搜索引擎AltaVista，Yahoo!和Google等，作為一個輔助人們檢索信息的工具成為用戶訪問萬維網(wǎng)的入口和指南。但是，這些通用性搜索引擎也存在著一定的局限性，如：

(1)不同領(lǐng)域、不同背景的用戶往往具有不同的檢索目的和需求，通用搜索引擎所返回的結(jié)果包含大量用戶不關(guān)心的網(wǎng)頁。

(2)通用搜索引擎的目標是盡可能大的網(wǎng)絡(luò)覆蓋率，有限的搜索引擎服務(wù)器資源與無限的網(wǎng)絡(luò)數(shù)據(jù)資源之間的矛盾將進一步加深。

(3)萬維網(wǎng)數(shù)據(jù)形式的豐富和網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，圖片、數(shù)據(jù)庫、音頻、視頻多媒體等不同數(shù)據(jù)大量出現(xiàn)，通用搜索引擎往往對這些信息含量密集且具有一定結(jié)構(gòu)的數(shù)據(jù)無能為力，不能很好地發(fā)現(xiàn)和獲取。

(4)通用搜索引擎大多提供基于關(guān)鍵字的檢索，難以支持根據(jù)語義信息提出的查詢。

為了解決上述問題，定向抓取相關(guān)網(wǎng)頁資源的聚焦爬蟲應運而生。聚焦爬蟲是一個自動下載網(wǎng)頁的程序，它根據(jù)既定的抓取目標，有選擇的訪問萬維網(wǎng)上的網(wǎng)頁與相關(guān)的鏈接，獲取所需要的信息。與通用爬蟲(generalpurposewebcrawler)不同，聚焦爬蟲并不追求大的覆蓋，而將目標定為抓取與某一特定主題內(nèi)容相關(guān)的網(wǎng)頁，為面向主題的用戶查詢準備數(shù)據(jù)資源。

聚焦爬蟲工作原理以及關(guān)鍵技術(shù)

網(wǎng)絡(luò)爬蟲是一個自動提取網(wǎng)頁的程序，它為搜索引擎從萬維網(wǎng)上下載網(wǎng)頁，是搜索引擎的重要組成。傳統(tǒng)爬蟲從一個或若干初始網(wǎng)頁的URL開始，獲得初始網(wǎng)頁上的URL，在抓取網(wǎng)頁的過程中，不斷從當前頁面上抽取新的URL放入隊列，直到滿足系統(tǒng)的一定停止條件。聚焦爬蟲的工作流程較為復雜，需要根據(jù)一定的網(wǎng)頁分析算法過濾與主題無關(guān)的鏈接，保留有用的鏈接并將其放入等待抓取的URL隊列。然后，它將根據(jù)一定的搜索策略從隊列中選擇下一步要抓取的網(wǎng)頁URL，并重復上述過程，直到達到系統(tǒng)的某一條件時停止。另外，所有被爬蟲抓取的網(wǎng)頁將會被系統(tǒng)存貯，進行一定的分析、過濾，并建立索引，以便之后的查詢和檢索;對于聚焦爬蟲來說，這一過程所得到的分析結(jié)果還可能對以后的抓取過程給出反饋和指導。

相對于通用網(wǎng)絡(luò)爬蟲，聚焦爬蟲還需要解決三個主要問題：

(1)對抓取目標的描述或定義;

(2)對網(wǎng)頁或數(shù)據(jù)的分析與過濾;

(3)對URL的搜索策略。

搜索引擎蜘蛛面臨的問題

截止到2007年底，Internet上網(wǎng)頁數(shù)量超出160億個，研究表明接近30%的頁面是重復的;動態(tài)頁面的存在：客戶端、服務(wù)器端腳本語言的應用使得指向相同Web信息的URL數(shù)量呈指數(shù)級增長。上述特征使得網(wǎng)絡(luò)爬蟲面臨一定的困難，主要體現(xiàn)在Web信息的巨大容量使得爬蟲在給定時間內(nèi)只能下載少量網(wǎng)頁。Lawrence和Giles的研究表明沒有哪個搜索引擎能夠索引超出16%的Internet上Web頁面，即使能夠提取全部頁面，也沒有足夠的空間來存儲。

為提高爬行效率，爬蟲需要在單位時間內(nèi)盡可能多的獲取高質(zhì)量頁面，是它面臨的難題之一。當前有五種表示頁面質(zhì)量高低的方式：Similarity(頁面與爬行主題之間的相似度)、Backlink(頁面在Web圖中的入度大小)、PageRank(指向它的所有頁面平均權(quán)值之和)、Forwardlink(頁面在Web圖中的出度大小)、Location(頁面的信息位置);Parallel(并行性問題)[3]。為了提高爬行速度，網(wǎng)絡(luò)通常會采取并行爬行的工作方式，隨之引入了新的問題：重復性(并行運行的爬蟲或爬行線程同時運行時增加了重復頁面)、質(zhì)量問題(并行運行時，每個爬蟲或爬行線程只能獲取部分頁面，導致頁面質(zhì)量下降)、通信帶寬代價(并行運行時，各個爬蟲或爬行線程之間不可避免要進行一些通信)。并行運行時，網(wǎng)絡(luò)爬蟲通常采用三種方式：獨立方式(各個爬蟲獨立爬行頁面，互不通信)、動態(tài)分配方式(由一個中央?yún)f(xié)調(diào)器動態(tài)協(xié)調(diào)分配URL給各個爬蟲)、靜態(tài)分配方式(URL事先劃分給各個爬蟲)。