蜘蛛爬行抓取的地址庫和文件存儲

2022-04-12    分類： 網站建設

地址庫
為了避免重復爬行和抓取網址，搜索引擎會建立一個地址庫，記錄已經被發(fā)現(xiàn)還沒有抓取的頁面，以及已經被抓取的頁面地址庫中的URL有幾個來源:

(1)人工錄入的種子網站。
(2)蜘蛛抓取頁面后，從HTML中解析出新的鏈接URL與地址庫中的數(shù)據進行對比，如果是地址庫中沒有的網址，就存入待訪問地址庫。
(3)站長通過搜索引擎網頁提交表格提交進來的網址。
蜘蛛按重要性從待訪問地址庫中提取URL，訪問并抓取頁面，然后把這個URL，從待訪問地址庫中刪除，放進已訪問地址庫中。
大部分主流搜索引擎都提供一個表格，讓站長提交網址。不過這些提交來的網址都只是存入地址庫而已，是否收錄還要看頁面重要性如何。搜索引擎所收錄的絕大部分頁面是蜘蛛自己跟蹤鏈接得到的?？梢哉f提交頁面基本上是毫無用處的，搜索引擎更喜歡自己沿著鏈接發(fā)現(xiàn)新頁面。
文件存儲
搜索引擎蜘蛛抓取的數(shù)據存入原始頁面蕪湖網站設計數(shù)據庫。其中的頁面數(shù)據與用戶瀏覽器得到的HTML是完全一樣的，每個URL都有一個獨特的文件編號 。

分享標題：蜘蛛爬行抓取的地址庫和文件存儲
鏈接URL：http://www.bm7419.com/news25/145525.html

成都網站建設公司_創(chuàng)新互聯(lián)，為您提供網頁設計公司、微信小程序、虛擬主機、網站設計、Google、標簽優(yōu)化

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(lián)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(lián)

微信小程序開發(fā)