搜索引擎看似簡單的抓取-入庫-查詢工作，但其中各個環(huán)節(jié)暗含的算法卻十分復(fù)雜。

搜索引擎抓取頁面工作靠蜘蛛（Spider）來完成，抓取動作很容易實(shí)現(xiàn)，但是抓取哪些頁面，優(yōu)先抓取哪些頁面卻需要算法來決定，下面介紹幾個抓取算法：

1、寬度優(yōu)先抓取策略：

我們都知道，大部分網(wǎng)站都是按照樹狀圖來完成頁面分布的，那么在一個樹狀圖的鏈接結(jié)構(gòu)中，哪些頁面會被優(yōu)先抓取呢？為什么要優(yōu)先抓取這些頁面呢？寬度優(yōu)先抓取策略就是按照樹狀圖結(jié)構(gòu)，優(yōu)先抓取同級鏈接，待同級鏈接抓取完成后，再抓取下一級鏈接。如下圖：

大家可以發(fā)現(xiàn)，我在表述的時候，使用的是鏈接結(jié)構(gòu)而不是網(wǎng)站結(jié)構(gòu)。這里的鏈接結(jié)構(gòu)可以由任何頁面的鏈接構(gòu)成，并不一定是網(wǎng)站內(nèi)部鏈接。這是一種理想化的寬度優(yōu)先抓取策略，在實(shí)際的抓取過程中，不可能想這樣完全寬度優(yōu)先，而是有限寬度優(yōu)先，如下圖：

上圖中，我們的Spider在取回G鏈接時，通過算法發(fā)現(xiàn)，G頁面沒有任何價值，所以悲劇的G鏈接以及下級H鏈接被Spider給和諧了。至于G鏈接為什么會被和諧掉？好吧，我們來分析一下。

2、非完全遍歷鏈接權(quán)重計(jì)算：

每個搜索引擎都有一套pagerank（指頁面權(quán)重，非google PR）計(jì)算方法，并且經(jīng)常會更新。互聯(lián)網(wǎng)近乎無窮大，每天都會產(chǎn)生海量的新鏈接。搜索引擎對于鏈接權(quán)重的計(jì)算只能是非完全遍歷。為什么Google PR要三個月左右才更新一次？為什么百度大更新一個月1-2兩次？這就是因?yàn)樗阉饕�擎采用了非完全遍歷鏈接權(quán)重算法來計(jì)算鏈接權(quán)重。其實(shí)按照目前的技術(shù)，實(shí)現(xiàn)更快頻率的權(quán)重更新并不難，計(jì)算速度以及存儲速度完全跟得上，但為什么不去做？因?yàn)闆]那么必要，或者已經(jīng)實(shí)現(xiàn)了，但不想公布出來。那，什么是非完全遍歷鏈接權(quán)重計(jì)算？

我們將K數(shù)量的鏈接形成一個集合，R代表鏈接所獲得的pagerank，S代表鏈接所包含的鏈接數(shù)量，Q代表是否參與傳遞，β代表阻尼因數(shù)，那么鏈接所獲得的權(quán)重計(jì)算公式為：

從公式 里可以發(fā)現(xiàn)，決定鏈接權(quán)重的是Q，如果鏈接被發(fā)現(xiàn)作弊，或者搜索引擎人工清除，或者其他原因，Q被設(shè)為0，那么再多的外鏈都沒用。β是阻尼因數(shù)，主要作用是防止權(quán)重0的出現(xiàn)，導(dǎo)致鏈接無法參與權(quán)重傳遞，以及防止作弊的出現(xiàn)。阻尼因數(shù)β一般為0.85。為什么會在網(wǎng)站數(shù)量上乘以阻尼因數(shù)？因?yàn)橐粋�頁面內(nèi)并非所有的頁面都參與權(quán)重傳遞，搜索引擎會將已經(jīng)過濾過的鏈接再度剔除15%。

但這種非完全遍歷權(quán)重計(jì)算需要積累到一定數(shù)量的鏈接后才能再次開始計(jì)算，所以一般更新周期比較慢，無法滿足用戶對即時信息的需求。所以在此基礎(chǔ)上，出現(xiàn)了實(shí)時權(quán)重分配抓取策略。即當(dāng)蜘蛛完成抓取頁面并入口后，馬上進(jìn)行權(quán)重分配，將權(quán)重重新分配待抓取鏈接庫，然后蜘蛛根據(jù)權(quán)重高低來進(jìn)行抓取。

3、社會工程學(xué)抓取策略

社會工程學(xué)策略，就是在蜘蛛抓取的過程中，加入人工智能，或者通過人工智能培訓(xùn)出來的機(jī)器智能，來確定抓取的優(yōu)先度。目前我已知的抓取策略有：

a、熱點(diǎn)優(yōu)先策略：對于爆發(fā)式的熱點(diǎn)關(guān)鍵詞進(jìn)行優(yōu)先抓取，而且不需要經(jīng)過嚴(yán)格的去重和過濾，因?yàn)闀�有新的鏈接來覆蓋以及用戶的主動選擇。

b、權(quán)威優(yōu)先策略：搜索引擎會給每個網(wǎng)站分配一個權(quán)威度，通過網(wǎng)站歷史、網(wǎng)站更新等來確定網(wǎng)站的權(quán)威度，優(yōu)先抓取權(quán)威度高的網(wǎng)站鏈接。

c、用戶點(diǎn)擊策略：當(dāng)大部分搜索一個行業(yè)詞庫內(nèi)的關(guān)鍵詞時，頻繁的點(diǎn)擊同一個網(wǎng)站的搜索結(jié)果，那么搜索引擎會更頻繁的抓取這個網(wǎng)站。

d、歷史參考策略：對于保持頻繁更新的網(wǎng)站，搜索引擎會對網(wǎng)站建立更新歷史，根據(jù)更新歷史來預(yù)估未來的更新量以及確定抓取頻率。

對SEO工作的指導(dǎo)：

搜索引擎的抓取原理已經(jīng)深入的講解了，那么現(xiàn)在要淺出這些原理對SEO工作的指導(dǎo)作用：

A、定時、定量的更新會讓蜘蛛準(zhǔn)時爬行抓取網(wǎng)站頁面；

B、公司運(yùn)作網(wǎng)站比個人網(wǎng)站的權(quán)威度更高；

C、建站時間長的網(wǎng)站更容易被抓��；

D、頁面內(nèi)應(yīng)適當(dāng)?shù)姆植兼溄�，太多、太少都不好�?/p>

E、受用戶歡迎的網(wǎng)站同樣受搜索引擎歡迎；

F、重要頁面應(yīng)該放置在更淺的網(wǎng)站結(jié)構(gòu)中；

G、網(wǎng)站內(nèi)的行業(yè)權(quán)威信息會提高網(wǎng)站的權(quán)威度。

這次教程就到這里了，下次教程的主題是：頁面價值以及網(wǎng)站權(quán)重的計(jì)算。

文章來源：http://www.cmshtml.com/a/201212/30.html

標(biāo)簽： 搜索引擎 網(wǎng)頁優(yōu)化 百度搜索更新 

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。