網頁抓取優(yōu)先策略

網頁抓取優(yōu)先策略也稱為“頁面選擇問題”(page Selection),通常是盡可能地首先抓取重要性的網頁，這樣保證在有限的資源內盡可能地照顧到那些重要性高的網頁。那么哪些網頁才是重要性高的呢？如何量化重要性呢？

重要性度量由鏈接歡迎度、鏈接重要度和平均鏈接深度這個方面決定。

定義鏈接歡迎度為IB(p)，它主要由反向鏈接(Backinks)的數目和質量決定。首先考察數目，直觀地講，一個網頁有越多的鏈接指向它（反向鏈接數多），那么表示其他網頁對其的認可。同時這個網頁被網民訪問的機會就大，推測出其重要性也就越高;其次考察質量，如果被越多的重要性高的網指向，那么其重要性也就越高。如果不考慮質量，就會出現局部最優(yōu)，而不是全局最優(yōu)的問題。最典型的就是作弊網頁，人為地在一些網頁中設置了大量反策鏈接指向其自身的網頁，以提高該網頁的重要性。如果不考慮鏈接質量，就會被這些作弊者所利用。

定義鏈接重要度為IL(p)，它是一個關于URL字符串的函數，僅僅考察字符串本身。鏈接重要度主要通過一些模式，比如認為包含“.COM”或者“HOME”的URL重要度高，以及具有較少斜杠(Slash)的URL重要度高等。

定義平均鏈接深度為ID(p),此為筆者所創(chuàng)。ID(p)表示在一個種子站點集合中，每個種子站點如果存在一條鏈路（寬度優(yōu)先遍歷規(guī)則）到達該網頁，那么平均鏈接深度就是這個網頁的又一個重要性指標。因為距離種子站點越近，說明被訪問的機會越多，離種子站點越遠，重要性越低。事實上，按照寬度優(yōu)先的遍歷規(guī)則即可滿足這種重要性高的網頁被優(yōu)先抓取的需要。

最后，定義網頁重要性的度量為I(p)，它由以上兩個量化值線性決定，即：

I(p)＝a*IB(p)+β*IL(p)

平均鏈接深度同寬度優(yōu)先的遍歷規(guī)則保證，因此不作為重要性評價的指標。在抓取能力有限的情況下，如果能夠把重要性高的網頁盡可能地抓完，是合理科學的，最終被用戶查詢到的網頁也往往是那些重要性高的網頁。

盡管這樣看來已經足夠好，事實上，還是忽視了一個重要的要素－－時間。時間導致萬維網動態(tài)變化的一面。如何抓取那些新增的網頁呢？如何重訪那些被修改了的網頁呢？如何發(fā)現那些被刪除了的網頁呢？為了保持和萬維網網頁的同步變化，就必須有網頁重訪策略。通過該策略可以識別增加、修改及刪除網頁這3種網頁變化的情況。

本文標題：網頁抓取優(yōu)先策略
分享鏈接：http://www.bm7419.com/news/183451.html

成都網站建設公司_創(chuàng)新互聯，為您提供響應式網站、Google、外貿建站、云服務器、網站改版、電子商務

廣告

聲明：本網站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯