(1)網頁收集:搜索引擎蜘蛛通過鏈接進行爬行和抓取，將抓取到的頁面存儲到原始數據庫中。
(2)預處理:搜索引擎蜘蛛抓取到的頁面不能直接進行用戶查詢排名，需要進行預處理。
(3)檢索服務:用戶輸入查詢詞后，排名程序調用索引數據庫中的數據，將與用戶搜索詞相關的頁面展示給用戶。
搜索引擎是通過蜘蛛程序對互聯網中的網頁進行抓取和收集的，網頁收集是搜索引擎工作的第一步。了解搜索引擎的網頁抓取機制，便于蜘蛛抓取更多的頁面，使網站有更好的排名。
(1)什么是蜘蛛
網絡爬蟲，又被稱為網頁蜘蛛、網絡機器人，是指按照一定的規(guī)則，自動抓取互聯網中網頁的程序或者腳本。
(2)蜘蛛的工作方式
對于互聯網中的網站來說，如果沒有對其中的鏈接進行屏蔽設置，蜘蛛就可以通過鏈接在網站內或者網站間進行爬行和抓取。
由于互聯網中的網站及頁面鏈接結構異常復雜，蜘蛛需要采取一定的爬行策略才能抓取更多的頁面。
最簡單的爬行策略有兩種:一種是深度優(yōu)先，另一種是廣度優(yōu)先。
廣度優(yōu)先:是指蜘蛛會先抓取起始網頁中鏈接的所有網頁，然后再選擇其中的一個鏈接網頁，繼續(xù)抓取在此網頁中鏈接的所有網頁。這是最常用的方式，因為這個方法可以讓網絡蜘蛛并行處理，提高其抓取速度。
深度優(yōu)先:是指蜘蛛會從起始頁開始，一個鏈接一個鏈接跟蹤下去，處理完這條線路之后再轉入下一個起始頁，繼續(xù)跟蹤鏈接。
深度優(yōu)先和廣度優(yōu)先通常是混合使用的。這樣既可以照顧到盡量多的網站，也可以照顧到一部分網站的內頁，同時也會考慮頁面權重、網站規(guī)模、外鏈、更新等因素。而且搜索引擎為了提高爬行和抓取的速度。都是用多個蜘蛛并發(fā)分布爬行。
根據這一原理，在優(yōu)化網站時，應該合理設置網站中的鏈接，便于蜘蛛更加順利的爬行網站中的各個頁面。
(3)認識種子站點
一些互聯網中的網站被蜘蛛格外看重， 蜘蛛的爬行也往往以這些網站作為起始站點。通常情況下，這類站點具有一定的權威性和導航性，如新浪、hao123 等。這些具有權威性和導航性的網站稱為種子站點。因此，在優(yōu)化網站時，可以在種子站點中添加自己網站的鏈接，增加線 蛛抓取的入口。
(4)搜索引擎的收集機制
如蛛對于網站的取頻率受網站更新周期的影響，若網站定期定量更新，那么，蜘蛛會規(guī)律進入網站中進行爬行和抓取。
蜘蛛每次爬行都會把頁面數據存儲起來，如果第二次爬行發(fā)現頁面與第一次收錄的完全一樣，說明頁面沒有更新，多次抓取后蜘蛛會對頁面更新頻率有所了解。不常更新的頁面，蜘蛛也就沒有必要經常抓取。如果頁面內容經常更新，蜘蛛就會更加頻繁地訪問這種頁面，頁面上出現的新鏈接，也自然會被統(tǒng)蛛更快地抓取。
因此，在優(yōu)化網站時，應該定期定量地更新內容，增加網站被抓取的頻率。
(5) 文件存儲
視索引擎蜘蛛抓取的網站制作頁面存入原始數據庫中。搜索引擎會對原始數據庫中的頁面進行相應的處。
本文地址：http://www.islandpacificappraisals.com//article/4389.html
