如何定義分布式spider和“降權蜘蛛”
編輯
分享
評論
贊0
由于百度Spider所要抓取的網頁太多，如果只有單一的一個Spider進行抓取作業(yè)，那么將需要非常巨大的計算能力，同時也會消耗更多的抓取時間。這里就引入了分布式計算的概念，把龐大的抓取作業(yè)任務分割成很多較小的部分，使用大量合理計算能力的服務器來承載這個任務，以完成對全互聯(lián)網網頁的快速抓取?，F(xiàn)在大型搜索引擎都會使用分布式計算，同樣Spider也會使用分布式計算，可以稱這種Spider為分布式Spider，它遵循了分布式計算的主要規(guī)則，根據(jù)這些規(guī)則也可以解釋現(xiàn)在站長和SEO人員關心的“降權蜘蛛”問題。
分布式計算有很多種計算方式，這里簡單介紹Spider應有的分布式抓取策略。涉及分布式計算，也就涉及任務分發(fā)機制。整個分布式Spider系統(tǒng)需要保證所有Spider之間不會有重復抓取的情況發(fā)生，也就是要為各個Spider分配好抓取范圍。當一個Spider發(fā)現(xiàn)一個新的URL時，會判斷該URL是否在自己的抓取范圍之內，如果在自己的抓取范圍之內，就會把該URL放到自己待抓取URL隊列中;如果不在自己的抓取范圍之內，就會把該URL提交給上級服務器，由上級服務器分發(fā)給相應的Spider，并加入到該Spider的待抓取URL列表中。
要確保所有Spider的作業(yè)不重復，就要求每個Spider都有自己的抓取范圍，也就是說每個Spider都會只抓取指定類型的網頁。這里就要看搜索引擎是如何對網頁進行分類的了，常規(guī)網頁的分類方法有三種，第一種是按照優(yōu)秀站點、普通站點、垃圾站點、降權站點和屏蔽(被K)站點等站點質量等級分類;第二種是按照網站首頁、網站目錄頁、網站內容頁、網站專題頁、視頻、圖片、新聞、行業(yè)資料、其他類型的網絡文件(PDF、Word、Excel等)等網頁類型分類;第三種是按照站點或網頁內容所在行業(yè)分類。在真正的Spider系統(tǒng)設計中，為了減少搜索引擎和被抓取站點服務器之間的握手次數(shù)(影響抓取效率的重要因素)，站點級別相關的分類應該是被優(yōu)先使用的。
Spider會嚴格按照自己的作業(yè)任務進行作業(yè)，由以上分類可以看出，對于大部分中小網站一般都會有一個固定的Spider進行抓取，所以很多站長和SEO人員在分析網站日志時所發(fā)現(xiàn)的百度Spider經常都是同一IP段的，但是不同網站之間發(fā)現(xiàn)的Spider的IP段并不同。理論上，如果參與研究的站點比較多，類型比較豐富，就可以比較容易地分辨出百度Spider的任務分發(fā)模式，這樣通過分析日志中百度來訪Spider的IP就可以判斷出自己的站點在百度搜索眼中是什么樣的。
針對第一種分類方式，就可能出現(xiàn)某一IP段的Spider只抓取權重高的網站，某一IP段的Spider只抓取已被搜索引擎降權或者屏蔽的網站。如果真的是采用這種任務分發(fā)方式，那么網絡上所傳的“降權蜘蛛”就可能存在。不過并不是因為這個Spider的到來使得網站降權或者屏蔽，而是因為該網站已經被百度降權或者屏蔽，百度服務器才會把對該站點的抓取任務分發(fā)給這個Spider。如果百度使用這種分布式的Spider，那么網絡上對百度Spider各IP段特性的總結也是比較有意義的，不過不可全信，因為百度不可能只使用一種任務分發(fā)模式。這也可以成為站長和SEO人員的研究方向，但是可能最終一無所獲。因為搜索引擎對網站和網頁的分類有太多緯度了，新抓取和再次抓取所使用的緯度就可能不同，很可能各個緯度都是綜合使用的。
猜你喜歡