搜索引擎中关于蜘蛛的设计分析

游子

　　说的简单易懂一些，网络爬虫跟你使用的〖离线阅读〗工具差不多。 　　1.url 的遍历和纪录 　　2.多进程 VS 多线程 　　3.时间更新控制 　　4.爬的深度 　　5.爬虫一般不直接爬对方的网页，一般是通过一个Proxy出去，这个proxy有缓解压力的功能，因为当对方的网页没有更新的时候，只要拿到 header 的 tag就可以了，没有必要全部传输一次了，可以大大节约网络带宽。 　　6.请有空的时候照看一下robots.txt 　　7.存储结构。 　　网页更新频度严重影响着搜索引擎蜘蛛程度对网站的爬行，爬取次数越多意味着网页收录几率会越大、收录数量越多，收录是SEO最基础的一个环节。 　　尽量将网站保持在三级目录内，深层次的网页会给搜索引擎带来很大的压力，当然，我想Google有足够的服务器来承担这些压力，但从侧面来说，3层目录下的网页被抓取及更新的频度要低很多。前面，我说过，要想办法使网站物理结构和逻辑结构吻合，这体现于URL的良好设计，现在你可以检查下前台生成的静态网页的实际目录有几层，考虑是否可以优化。 　　本文转载自：duocaigu.com，转载请保留出处，请尊重版权!