最近在看一本書，發現當我們不實踐直接看原理是枯燥無味的，而實踐過後反過來看原理，會覺得很多道理，很多感悟。就拿我自己做反面教材，說我是搜索引擎優化工作者，我對搜索引擎的工作方式和基本的抓取原理，更新策略都不懂。那麼你呢?下面就分享下我的讀書筆記，僅當新人掃盲。
在介紹搜索引擎爬蟲的之前，首先了解爬蟲把網頁的分類，四種：
1，已過期的網頁和已下載的網頁
2，待下載的網頁
3，可知網頁
4，不可知網頁
下面我會詳細介紹搜索引擎是如何更新已下載網頁，如何下載待下載網頁，如何處理可知但未抓取的網頁，如何抓取不可知網頁。
一.處理待下載網頁
抓取策略：在一堆可知的網頁中，搜索引擎會抽出待抓取網頁url，爬蟲抓取網頁url在其中順序排列，形成一個隊列，調度程序每次從隊列頭取出某個 url，發送給網頁下載器下載內容，每個新下載的頁面包含的url會追加到帶抓取隊列中的末尾，形成循環，這是最基礎的算法。但不是唯一的方法。
這樣純粹是按照順序抓取，但是搜索引擎一般都選擇重要的頁面優先抓取。網頁重要性，大部分是按照網頁流行度抓取的，所為網頁流行度，谷歌官方有句話是指曝光度，通俗意思就是反向鏈接。(所以才有那麼多人做外鏈)
一般有四種方案選擇重要頁面：寬度優先遍歷策略，非完全pagerank(非谷歌pr值)策略，ocip策略，大站優先策略
1、寬度優先遍歷策略:將新下載的網頁包含的鏈接直接追加到帶抓取url隊列末尾。看似很機械，其實包含了一些優先策略：如果入鏈比較多，就更加容易被寬度優先遍歷策略抓取到，入鏈個數側面表現了網頁的重要性。(這就是為什麼要做好站內鏈接)
2、非完全pagerank：前面的是以數量來定的，這個是加入了質量。
初始算法：將已下載的的網頁加入待下載url隊列中形成網頁集合，在這個集合中計算pr,然後將帶抓取的隊列按照pr重新排列，就按照這個順序抓取。
(每次新下載網頁之後又要重新計算排序，顯得效率太低了)
每當攢夠k個網頁之後在重新計算。但是問題是：新抽出來的網頁沒後計算pr沒有pr值，他們的重要性可能比已經在隊列中的要高怎麼辦?
解決辦法：給每個新抽出來賦予一個臨時pr，這個臨時pr是根據入鏈傳到的pr值匯總的值。這樣在計算下，如果比隊列中高就有限抓取他。這就是非完全pr
(pr高的會優先抓取，收錄多排名靠前機會也大一些，所以會有那麼多人提高spr)
3、ocip(online page importance computation)策略：在線頁面重要性，改進的pr算法。
算法開始之前就每個頁面都給一樣的現金，，當這個頁面被下載了以後，這個現金就平均分給他的導出頁面，而自己的就清空。這些導出頁面放在帶抓取的隊列中，按照現金多少來優先抓取。
和pr區別:pr上一個頁面的不清空，每次都要迭代重新計算，而這個不用重新計算都清空了。而且pr存在無連接關系的跳轉，而這個只要無連接就不傳遞現金。
4、大站優先：帶抓取隊列中哪個網站的多就優先抓取哪個。(所以網站頁面要豐富，內容要豐富)
二、更新已下載網頁
上面就是搜索引擎的抓取策略。抓取完了的頁面就加入已下載的網頁中，已下載的網頁需要不斷地更新，那麼搜索引擎又是如何更新的呢?
一般的網頁更新策略：歷史參考策略，用戶體驗策略，聚類抽樣策略
1、歷史參考：過去頻繁更新的，現在可能也頻繁。利用模型預測未來更新時間。忽略導航欄和廣告的頻繁更新，所以導航的頻繁更新沒用，重在內容(現在知道為什麼更新內容要持續，有規律了吧)
2、用戶體驗：即使網頁已經過時了，需要更新了，但如果我更新了不影響用戶體驗搜索引擎就晚些更新。算法是：網頁更新對搜索引擎搜索質量的影響(一般看排名)，影響大就盡快更新。所以他們會保存多個歷史網頁，根據以前更新所帶來的影響判斷更新對搜索引擎質量的影響大小。
以上兩種缺點：依賴歷史，要保存很多歷史數據，增加負擔。如果沒有歷史記錄就不准確了。
3、聚類抽樣策略：把網頁分類，根據同一類別網頁更新頻率更新所有這一類別的網頁。抽取最具代表性的，看他的更新頻率，以後同行業的都按照這個頻率。
三、抓取不可知網頁
不可知的網頁就是暗網，搜索引擎很難用常規方法抓取到的數據。比如沒有連接的網站，數據庫。比如一個產品庫存查詢，可能要輸入產品名稱，地區，型號一系列文本才能查詢庫存數量。而搜索引擎是難以抓取的。這就有了查詢組合和，isit算法。
先介紹下兩個概念：
1、富含信息查詢模版：就比如一個查詢系統，我設定一個查詢模版，每個文本框輸入什麼信號，地區，產品名稱等，形成不同的查詢組合。不同的組合之間差異很大，就是富含信息查詢模版。
這個模板是怎麼確定的呢?爬蟲先從一維模版開始，比如先別的不是輸入就輸入地區，看是否是富含信息查詢模版，是就擴展到二維模版，比如地區+型號。如此增加維度，直到沒有新的模版。
2、詞的組合：也許你納悶了，爬蟲怎麼知道這個輸入框要輸入什麼，是地區還是產品名稱，還是時間?所以爬蟲開始需要人工提示，人工提供一些初始查詢種子表，爬蟲更具這個表格查詢下載頁面，然後分析頁面，自動挖掘新的關鍵詞，形成新的查詢列表，然後在查詢，將結果提交給搜索引擎，直到沒有新內容為止。
這樣就完成了對暗網的抓取。
以上只是簡單的介紹一下爬蟲的抓取和更新框架，具體的算法可就復雜多了，有待我慢慢研究過後再分享。
文章