搜索引擎的基礎(chǔ)是擁有大量網(wǎng)頁的信息數(shù)據(jù)庫，它是決定搜索引擎整體質(zhì)量的重要指標(biāo)。如果搜索引擎的Web信息量較小，那么供用戶選擇的搜索結(jié)果較少；而大量的Web信息可以更好地滿足用戶的搜索需求。

為了獲取大量的Web信息數(shù)據(jù)庫，搜索引擎必須收集網(wǎng)絡(luò)資源，本文的工作就是通過搜索引擎的Web爬蟲，對Internet上的每個Web頁面進行信息的抓取和抓取。這是一個爬行和收集信息的程序，通常被稱為蜘蛛或機器人。

盡管搜索引擎蜘蛛有不同的名稱，但它們的爬行和爬行規(guī)則基本相同：

（1）當(dāng)搜索引擎抓取網(wǎng)頁時，會同時運行多個蜘蛛程序，根據(jù)搜索引擎地址庫中的網(wǎng)址瀏覽抓取網(wǎng)站。地址庫中的網(wǎng)址包括用戶提交的網(wǎng)址、大型導(dǎo)航臺的網(wǎng)址、手工采集的網(wǎng)址、蜘蛛抓取的新網(wǎng)址等。

（2）搜索引擎蜘蛛在進入允許抓取的網(wǎng)站時，一般會采取深度優(yōu)先、寬度優(yōu)先、高度優(yōu)先三種策略進行爬行和遍歷，以抓取更多的網(wǎng)站內(nèi)容。

深度優(yōu)先爬行策略是搜索引擎蜘蛛在網(wǎng)頁中找到一個鏈接，向下爬行到下一個網(wǎng)頁的鏈接，向下爬行到該網(wǎng)頁中的另一個鏈接，直到?jīng)]有未爬行的鏈接，然后返回到個網(wǎng)頁，向下爬行到另一個鏈。

在上面的例子中，搜索引擎蜘蛛到達網(wǎng)站主頁，找到優(yōu)等網(wǎng)頁A、B、C的鏈接并將其爬行出來，然后依次爬行下優(yōu)等網(wǎng)頁A1、A2、A3、B1、B2和B3，在爬行第二級網(wǎng)頁后，爬行第三級網(wǎng)頁A4、A5，A6，盡量爬行所有網(wǎng)頁。

較好優(yōu)先級爬行策略是根據(jù)一定的算法劃分網(wǎng)頁的重要程度，主要通過網(wǎng)頁排名、網(wǎng)站規(guī)模、響應(yīng)速度等來判斷網(wǎng)頁的重要程度，搜索引擎爬行并獲取較高的優(yōu)先級。只有當(dāng)PageRank達到一定級別時，才能對其進行爬網(wǎng)和抓取。當(dāng)實際的蜘蛛抓取網(wǎng)頁時，它會將網(wǎng)頁的所有鏈接收集到地址數(shù)據(jù)庫中，并對其進行分析，然后選擇PR較高的鏈接進行抓取。網(wǎng)站規(guī)模大，通常大型網(wǎng)站可以從搜索引擎中獲得更多的信任，而且大型網(wǎng)站更新頻率快，蜘蛛會先爬行。網(wǎng)站的響應(yīng)速度也是影響蜘蛛爬行的一個重要因素。在較好優(yōu)先級爬行策略中，網(wǎng)站響應(yīng)速度快，可以提高爬行器的工作效率，因此爬行器也會優(yōu)先對響應(yīng)速度快的網(wǎng)站進行爬行。

這幾種爬行策略各有利弊。例如，深度優(yōu)先一般選擇合適的深度，以避免落入大量的數(shù)據(jù)中，從而限制了頁面的捕獲量；寬度優(yōu)先隨著捕獲頁面的增加，搜索引擎需要排除大量無關(guān)的頁面鏈接，爬行效率會變低；較好優(yōu)先級忽略了許多小網(wǎng)站的頁面，影響了互聯(lián)網(wǎng)信息差異化展示的發(fā)展，幾乎進入大網(wǎng)站的流量，小網(wǎng)站難以發(fā)展。

在搜索引擎蜘蛛的實際爬行中，這三種爬行策略通常同時使用。經(jīng)過一段時間的爬行，搜索引擎蜘蛛可以爬行互聯(lián)網(wǎng)上的所有網(wǎng)頁。然而，由于Internet的巨大資源和搜索引擎的有限資源，通常只對Internet上的一部分網(wǎng)頁進行抓取。

蜘蛛抓取網(wǎng)頁后，對網(wǎng)頁的值是否達到抓取標(biāo)準(zhǔn)進行測試。當(dāng)搜索引擎爬行到網(wǎng)頁時，它會判斷網(wǎng)頁中的信息是否是垃圾信息，如大量重復(fù)的文本內(nèi)容、亂碼、與包含的內(nèi)容高度重復(fù)等，這些垃圾蜘蛛不會抓取，它們只是爬行。

搜索引擎判斷網(wǎng)頁的價值后，將包含有價值的網(wǎng)頁。該采集過程是將采集到的網(wǎng)頁信息存儲到信息數(shù)據(jù)庫中，根據(jù)一定的特征對網(wǎng)頁信息進行分類，并以URL為單位進行存儲。

搜索引擎的爬行和爬行是提供搜索服務(wù)的基本條件。隨著Web數(shù)據(jù)的大量出現(xiàn)，搜索引擎能夠更好地滿足用戶的查詢需求。