很多人不是很了解搜索引擎爬蟲(chóng)是什么，下面就介紹一下，一起來(lái)看看一個(gè)優(yōu)秀的搜索引擎爬蟲(chóng)都具有哪些特性呢?
*一，友好性
爬蟲(chóng)的友好性包含兩方面的含義：一是保護(hù)網(wǎng)站的部分私密性，另外是減少被抓取網(wǎng)站的網(wǎng)絡(luò)負(fù)載。
爬蟲(chóng)抓取的對(duì)象是各種類型的網(wǎng)站，對(duì)于網(wǎng)站擁有者來(lái)說(shuō)，有些內(nèi)容并不希望被所有人搜索到，所以需要設(shè)定協(xié)議，來(lái)告知爬蟲(chóng)哪些內(nèi)容是不允許抓取的，目前有兩種主流的方法可達(dá)此目的，爬蟲(chóng)禁抓協(xié)議和網(wǎng)頁(yè)禁抓標(biāo)記。
*二，高性能
互聯(lián)網(wǎng)的網(wǎng)頁(yè)數(shù)量龐大如海，所以爬蟲(chóng)的性能至關(guān)重要。這里的性能主要是指爬蟲(chóng)下載網(wǎng)頁(yè)的抓取速度，常見(jiàn)的評(píng)價(jià)方式是以爬蟲(chóng)每秒能夠下載的網(wǎng)頁(yè)數(shù)量作為性能指標(biāo)，單位時(shí)間能夠下載的網(wǎng)頁(yè)數(shù)zui越多，則爬蟲(chóng)的性能越高。
要提高爬蟲(chóng)的性能，在設(shè)計(jì)時(shí)程序訪問(wèn)磁盤的操作方法及其體實(shí)現(xiàn)時(shí)數(shù)據(jù)結(jié)構(gòu)的選擇很關(guān)鍵。比如對(duì)于待抓取URL隊(duì)列和已抓取URL隊(duì)列，因?yàn)閁RL數(shù)量非常大，不同實(shí)現(xiàn)方式性能表現(xiàn)迥異，所以高效的數(shù)據(jù)結(jié)構(gòu)對(duì)于爬蟲(chóng)性能影響很大。
*三，可擴(kuò)展性
如上所述，爬蟲(chóng)需要抓取的網(wǎng)頁(yè)數(shù)zui巨大，即使單個(gè)爬蟲(chóng)的性能很高，要將所有網(wǎng)頁(yè)都下載到本地，仍然需要相當(dāng)長(zhǎng)的時(shí)間周期，為了能夠盡可能縮短抓取周期，爬蟲(chóng)系統(tǒng)應(yīng)該有很好的可擴(kuò)展性，即很容易通過(guò)增加抓取服務(wù)器和爬蟲(chóng)數(shù)量來(lái)達(dá)到此目的。
目前實(shí)用的大型網(wǎng)絡(luò)爬蟲(chóng)一定是分布式運(yùn)行的，即多臺(tái)服務(wù)器專做抓取，每臺(tái)服務(wù)器部署多個(gè)爬蟲(chóng)，每個(gè)爬蟲(chóng)多線程運(yùn)行，通過(guò)多種方式增加并發(fā)性。對(duì)于巨型的搜索引擎服務(wù)商來(lái)說(shuō)，可能還要在全球范圍、不同地域分別部署數(shù)據(jù)中心，爬蟲(chóng)也被分配到不同的數(shù)據(jù)中心，這樣對(duì)于提高爬蟲(chóng)系統(tǒng)的整體性能是很有幫助的。
