在搜索引擎蜘蛛系統(tǒng)中，待爬取URL隊列是很關(guān)鍵的部分，需要蜘蛛爬取的網(wǎng)頁URL在其中順序排列，形成一個隊列結(jié)構(gòu)，調(diào)度程序每次從隊列頭取出某個URL，發(fā)送給網(wǎng)頁下載器頁面內(nèi)容，每個新下載的頁面包含的URL會追加到待爬取URL隊列的末尾，如此形成循環(huán)，整個爬蟲系統(tǒng)可以說是由這個隊列驅(qū)動運轉(zhuǎn)的。同樣我們的網(wǎng)站每天都要經(jīng)過這樣一個隊列，讓搜索引擎進行爬取的。

那么待爬取URL隊列中的頁面URL  的排列順序是如何來確定的呢？上面我們說了將新下載頁面中的包含的鏈接追加到隊列尾部，這固然是一種確定隊列URL順序的方法，但并非唯一的手段，事實上，還可以采納很多其他技術(shù)來實現(xiàn)，將隊列中待爬取的URL進行排序。那么究竟搜索引擎蜘蛛是按照什么樣的策略進行的爬取呢？以下我們來進行更深入的分析吧。

第一、寬度優(yōu)化遍歷策略

寬度優(yōu)化遍歷是一種非常簡單直觀且歷史很悠久的遍歷方法，在搜索引擎爬蟲一出現(xiàn)就開始采用了。新提出的抓取策略往往會將這種方法作為比較基準，但應(yīng)該注意到的是，這種策略也是一種相當(dāng)強悍的方法，很多新方法實際效果不見昨比寬度優(yōu)化遍歷策略好，所以至今這種方法也是很多實際爬蟲系統(tǒng)優(yōu)先采用的爬取策略。網(wǎng)頁爬取順序基本是按照網(wǎng)頁的重要性排序的。之所以如此，有研究人員認為，如果某個網(wǎng)頁包含很多入鏈，那么更有可能被寬度優(yōu)化遍歷策略早早爬到，而入鏈這個數(shù)從側(cè)面體現(xiàn)了網(wǎng)頁的重要性，即實際上寬度優(yōu)化遍歷策略隱含了一些網(wǎng)頁優(yōu)化級假設(shè)。

第二、非完全pagerank策略

PageRank是一種著名的鏈接分析算法，可以用來衡量網(wǎng)頁的重要性。很自然地，可以想到用PageRank的思想來對URL優(yōu)化級進行排序。但是這里有個問題，PageRank是個全局性算法，也就是說當(dāng)所有網(wǎng)頁下載完成后，其計算結(jié)果才是可靠的，而爬蟲的目的就是去下載網(wǎng)頁，在運行過程中只能看到一部分頁面，所以在爬取階段的網(wǎng)頁是無法獲得可靠的PageRank得分的。對于已經(jīng)下載的網(wǎng)頁，加上待爬取的URL隊列中的一URL一起，形成網(wǎng)頁集合，在此集合內(nèi)進行PageRank計算，計算完成之后，將待爬取URL隊列里的網(wǎng)頁按照按照PageRank得分由高低排序，形成的序列就是爬蟲接下來應(yīng)該依次爬取的URL列表。這也是為何稱之為“非完全PageRank”的原因，。

第三、OPIC策略( Online Page Importance Computation)

OPIC的字面含義是“在線頁面重要性計算”，可以將其看做是一種改進的PageRank算法。在算法開始之前，每個互聯(lián)網(wǎng)頁面都給予相同的現(xiàn)金，每當(dāng)下載了某個頁面P后，P就將自己擁有的現(xiàn)金平均分配給頁面中包含的鏈接頁面，氫自己的現(xiàn)金清空。而對于待爬取URL隊列中的網(wǎng)頁，則根據(jù)其手頭擁有的現(xiàn)金金額多少排序，優(yōu)先下載現(xiàn)金最充裕的網(wǎng)頁，OPIC從大的框架上與PageRank思路基本一致，區(qū)別在于：PageRank每次需要迭代計算，而OPIC策略不需要迭代過程。所以計算速度遠遠快與PageRank，適合實時 計算使用。同時，PageRank，在計算時，存在向無鏈接關(guān)系網(wǎng)頁的遠程跳轉(zhuǎn)過程，而OPIC沒有這一計算因子。實驗結(jié)果表明，OPIC是較好的重要性衡量策略，效果略優(yōu)于寬度優(yōu)化遍歷策略。

第四、大站優(yōu)化策略

大部優(yōu)化策略思路很直接：以網(wǎng)站為單位來選題網(wǎng)頁重要性，對于待爬取URL隊列中的網(wǎng)頁根據(jù)所屬網(wǎng)站歸類，如果哪個網(wǎng)站等待下載的頁面最多，則優(yōu)化先下載這些鏈接，其本質(zhì)思想傾向于優(yōu)先下載大型網(wǎng)站。因為大型網(wǎng)站往往包含更多的頁面。鑒于大型網(wǎng)站往往是著名企業(yè)的內(nèi)容，其網(wǎng)頁質(zhì)量一般較高，所以這個思路雖然簡單，但是有一定依據(jù)。實驗表明這個算法效果也要略優(yōu)先于寬度優(yōu)先遍歷策略。

第五、網(wǎng)頁更新策略

互聯(lián)網(wǎng)的動態(tài)是其顯著特征，隨時都有新出現(xiàn)的頁面，頁面的內(nèi)容被更改或者本來存在的頁面刪除。對于爬蟲來說，并非將網(wǎng)頁抓取到本地就算完成任務(wù)，也要體現(xiàn)出互聯(lián)網(wǎng)這種動態(tài)性。本地下載的網(wǎng)頁可被看做是互聯(lián)網(wǎng)頁的鏡像，爬蟲要盡可能保證其一致性。可以假設(shè)一種情況：某 個網(wǎng)頁已被刪除或者內(nèi)容做出重大變動，而搜索引擎對此惘然無知，仍然按其舊有內(nèi)容排序，將其作為搜索結(jié)果提供給用記，其用戶體驗度之糟糕不言而喻。所以對于已經(jīng)爬取的網(wǎng)頁，爬蟲還要負責(zé)保持其內(nèi)容和互聯(lián)網(wǎng)頁面內(nèi)容的同步，這取決于爬蟲所彩用的網(wǎng)頁更新策略。網(wǎng)頁更新策略的任務(wù)是要決定何時重新爬取之前已經(jīng)下載過和網(wǎng)頁，以盡可能使得本地下載網(wǎng)頁和互聯(lián)網(wǎng)原始頁面內(nèi)容保持一致。常用的網(wǎng)頁更新策略有三種：歷史參考策略，用戶體驗度策略和聚類抽樣策略。

（1）什么是歷史參考策略？

歷史參考策略是最直觀的一種更新策略，它建立于如下假設(shè)之上：過去頻繁更新的網(wǎng)頁，那么將來也會頻繁更新，所以為了預(yù)估某個網(wǎng)頁何時進行更新，可以通過參考其歷史更新情況來做出決定。

從這一點可以看出，我們網(wǎng)站的更新一定要有規(guī)律的進行，這樣才能讓搜索引擎蜘蛛更好的來關(guān)注你的網(wǎng)站，把握你的網(wǎng)站，很多人在更新網(wǎng)站的時候，不知道為什么要做規(guī)律性的更新，這就是真正存在的原因。

（2）什么是用戶體驗度策略？

這個很明顯，大家都知道。一般來說，搜索引擎用戶提交查詢結(jié)果后，相關(guān)的搜索結(jié)果可能成千上萬，而用戶沒有耐心去查看排在后面的搜索結(jié)果，往往只盾前三頁搜索內(nèi)容，用戶體驗策略就是利用搜索引擎用戶的這個特點來設(shè)計更新策略的。

（3）聚類抽樣策略

上面介紹的兩種網(wǎng)頁更新策略嚴重依賴網(wǎng)頁的歷史更新信息，因為這是能夠進行后續(xù)計算的基礎(chǔ)。但在現(xiàn)實中為每個網(wǎng)頁保存歷史信息，搜索系統(tǒng)會增加 額外的負擔(dān)。從另外一個角度考慮，如果是首次爬取的網(wǎng)頁，因為沒有歷史信息，所以也就無法按照這兩種思路去預(yù)估其更新周期，聚類抽樣，策略即是為了解決上述缺點而提出的。網(wǎng)頁一般具有一些屬性，根據(jù)這些屬性可以預(yù)測其更新周期，具有相信屬性的網(wǎng)頁，其更新周期也是類似的。

通過以上對搜索引擎蜘蛛的爬取過程以及爬取策略進行了簡單的了解之后，你是否應(yīng)該有些考慮了？試著對自己的網(wǎng)站進行改變了？以上的一些原因說明了搜索引擎的更新是有規(guī)律以及有章法進行的，要想更能適應(yīng)搜索引擎的更新原則和蜘蛛爬取原則，我們就應(yīng)該從更基礎(chǔ)的入手去進行全面的分析和總結(jié)。