手把手教你搜索引擎爬虫的工作流程及原理

 小龚同学   2019-04-01 17:34   359 人阅读  0 条评论

搜索引擎爬虫的工作流程,是SEO的基础篇章,也是每一位从事SEO工作的同仁都应该掌握的必备知识。通过整理,绘制了一张图,以便于你不懂技术也能看懂搜索引擎爬虫的工作流程,下面我们一起说一下。

 

如上图,请大家在阅读下文的时候,对照图中的标号和我一起思考。

1、种子URL地址

所谓种子URL所指的就是最开始选定的URL地址,大多数情况下,网站的首页、频道页等丰富性内容更多的页面会被作为种子URL。

然后将这些种子URL地址放入到待抓取的URL列表中。

2、待抓取URL列表

爬虫从待抓取的URL列表中逐个进行读取,读取URL的过程中,会将URL通过DNS解析,把这个URL地址转换成网站服务器的IP地址+相对路径的方式。

3、网页下载器

接下来把这个地址交给网页下载器(所谓网页下载器,顾名思义就是负责下载网页内容的一个模块)

4、新URL存入待抓取队列

如果网页没有被抓取,就将新的URL地址放入到待抓取的URL列表的末尾,等待被抓取。

就这样循环的工作着,直到待抓取队列为空的时候,爬虫就算完成了抓取的全过程。

然后以下载的网页,就都会进入到一定的分析中,分析后进行索引,我们就能看到收录结果了。

5、源代码

对于下载到本地的网页,也就是我们网页的源代码,一方面要将这个网页存储到网页库中,另一方面会从下载网页中再次提取URL地址。

6、抽取URL地址

新提取出来的URL地址会先在已抓取的URL列表中进行比对,检查一下这个网页是不是被抓取了。

对于真正的爬虫来说,先抓哪些页面、后抓哪些页面,以及不抓哪些页面等等都是有一定的策略的,这里讲述的是一个比较通过、普遍的爬虫抓取流程,身为SEO的我们,知道这些足以。

本文地址:http://gongya.net/post/49.html
版权声明:本文为原创文章,版权归 小龚同学 所有,欢迎分享本文,转载请保留出处!

评论已关闭!