第一階段：大小通吃
搜索引擎的網頁抓取都是采取「大小通吃」的策略，也就是把網頁中能發現的鏈接逐一加入到待抓取URL中，機械性的將新抓取的網頁中的URL提取出來，這種方式雖然比較古老，但效果很好，這就是為什麼很多站長反應蜘蛛來訪問了，但沒有收錄的原因，這僅僅是第一階段。
第二階段：網頁評級
而第二階段則是對網頁的重要性進行評級，PageRank是一種著名的鏈接分析算法，可以用來衡量網頁的重要性，很自然的，站長可以用PageRank的思路來對URL進行排序，這就是各位熱衷的「發外鏈」，據一位朋友了解，在中國「發外鏈」這個市場每年有上億元的規模。
爬蟲的目的就是去下載網頁，但PageRank是個全局性算法，也就是當所有網頁有下載完成後，其計算結果才是可靠的。對於中小網站來講，服務器如果質量不好，如果在抓取過程中，只看到部分內容，在抓取階段是無法獲得可靠的PageRank得分。
第三階段：OCIP策略
OCIP策略更像是PageRank算法的改進。在算法開始之前，每個網頁都給予相同的「現金」，每當下載某個頁面A後，A將自己的「現金」平均分給頁面中包含的鏈接頁面，把自己的「現金」清空。這就是為什麼導出的鏈接越少，權重會越高的原因之一。
而對於待抓取的網頁，會根據手頭擁有的現金多少排序，優先下載現金最充裕的網頁，OCIP大致與PageRank思路一致，區別在於：PageRank每次要迭代計算，而OCIP則不需要，所以計算速度遠遠快於PageRank，適合實時計算使用。這可能就是為什麼很多網頁會出現「秒收」的情況了。
第四階段：大站優先策略。
大站優先的思路很直接，以網站為單位來衡量網頁的重要性，對於待抓取的URL隊列中的網頁，根據所述網站歸類，如果哪個網站等待下載的頁面最多，則優先下載這些鏈接。其本質思想是「傾向於優先下載大型網站URL」。因為大型網站往往包含更多的頁面。鑒於大型網站往往是名站，其網頁質量一般較高，所以這個思路雖然簡單，但有一定依據。
實驗表明這個算法雖然簡單粗暴，但卻能收錄高質量網頁，很有效果。這也是為什麼許多網站的內容被轉載後，大站卻能排到你前面的最重要原因之一。
許余波博客：http://xuyubo.cn，轉載請注明！
注：相關網站建設技巧閱讀請移步到建站教程頻道。
收藏本文