爬行和抓取

  爬行和抓取是搜索引擎工作的第一步,完成數據收集任務.

  蜘蛛

  搜索引擎用來爬行和訪問頁面的程序被稱為蜘蛛(spider),也稱為機器人(bot).

  蜘蛛代理名稱:

  百度蜘蛛:Baiduspider+(+http://www.baidu.com/search/spider.htm) ·

  雅虎中國蜘蛛:Mozilla/5.0 (compatible; Yahoo! Slurp China; http://misc.yahoo.com.cn/help.html) ·

  英文雅虎蜘蛛:Mozilla/5.0 (compatible; Yahoo! Slurp/3.0; http://help.yahoo.com/help/us/ysearch/slurp)

  Google 蜘蛛:Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html) ·

  微軟 Bing 蜘蛛:msnbot/1.1 (+http://search.msn.com/msnbot.htm)·

  搜狗蜘蛛: Sogou+web+robot+(+http://www.sogou.com/docs/help/webmasters.htm#07) ·

  搜搜蜘蛛:Sosospider+(+http://help.soso.com/webspider.htm) ·

  有道蜘蛛:Mozilla/5.0 (compatible; YodaoBot/1.0; http://www.yodao.com/help/webmaster/spider/; )

  跟蹤鏈接

  為了抓取網上盡量多的頁面,搜索引擎蜘蛛會跟蹤頁面上的鏈接,從一個頁面爬到下一個頁面,就好像蜘蛛在蜘蛛網上爬行那樣,這也就是搜索引擎蜘蛛這個名稱的由來.最簡單的爬行遍歷策略分為兩種,一是深度優先,二是廣度優先.

  深度優先搜索

  深度優先搜索就是在搜索樹的每一層始終先只擴展一個子節點,不斷地向縱深前進直到不能再前進(到達葉子節點或受到深度限制)時,才從當前節點返回到上一級節點,沿另一方向又繼續前進.這種方法的搜索樹是從樹根開始一枝一枝逐漸形成的.

  深度優先搜索亦稱為縱向搜索.由于一個有解的問題樹可能含有無窮分枝,深度優先搜索如果誤入無窮分枝(即深度無限),則不可能找到目標節點.所以,深度優先搜索策略是不完備的.另外,應用此策略得到的解不一定是最佳解(最短路徑).