搜索引擎Spider系統(tǒng)的目標(biāo)就是發(fā)現(xiàn)并抓取互聯(lián)網(wǎng)中一切有價(jià)值的網(wǎng)頁，百度官方也明確表示蜘蛛只可以抓取到盡可能多的有價(jià)值資源并保持系統(tǒng)及實(shí)際環(huán)境中頁面的一致性同時(shí)不給網(wǎng)站體驗(yàn)造成壓力，也就是說蜘蛛不會(huì)抓取所有網(wǎng)站的所有頁面，對(duì)此蜘蛛有很多的抓取策略來盡量快而全的發(fā)現(xiàn)資源鏈接，提高抓取效率。只有這樣蜘蛛才能盡量滿足絕大部分網(wǎng)站，這也是為什么我們要做好網(wǎng)站的鏈接結(jié)構(gòu)的原因。接下來我就在博客的平臺(tái)上分享一下搜索引擎蜘蛛對(duì)翻頁式網(wǎng)頁的抓取機(jī)制。

1、為什么需要這個(gè)抓取機(jī)制？

當(dāng)前大多數(shù)網(wǎng)站都用翻頁的形式來有序分布網(wǎng)站資源，當(dāng)有新文章增加時(shí)，老資源往后推移到翻頁系列中。對(duì)蜘蛛來說，這種特定類型的索引頁是爬行的有效渠道，但是蜘蛛爬行頻率和網(wǎng)站文章更新頻率不盡相同，文章鏈接很有可能就被推到翻頁條中，這樣蜘蛛不可能每天從第1個(gè)翻頁條爬到第80個(gè)，然后一個(gè)文章一個(gè)文章的抓取，到數(shù)據(jù)庫對(duì)比，這樣太浪費(fèi)搜索引擎蜘蛛的時(shí)間，也浪費(fèi)你網(wǎng)站的收錄時(shí)間，所以蜘蛛需要對(duì)這種特殊類型的翻頁式網(wǎng)頁來一個(gè)額外的抓取機(jī)制，從而保證收錄資源的完全。

2、如何判斷是否是有序翻頁式頁面？

判斷文章是否按發(fā)布時(shí)間有序排布是這類頁面的一個(gè)必要條件，下面會(huì)說到。那么如何判斷資源是否按發(fā)布時(shí)間有序排布呢？有些頁面中每個(gè)文章鏈接后面跟隨著對(duì)應(yīng)的發(fā)布時(shí)間，通過文章鏈接對(duì)應(yīng)的時(shí)間集合，判斷時(shí)間集合是否按大到小或小到大排序，如果是的話，則說明網(wǎng)頁中的資源是按發(fā)布時(shí)間有序排布，反之亦然。就算沒寫發(fā)布時(shí)間，蜘蛛寫可以根據(jù)文章本身的實(shí)際發(fā)布時(shí)間進(jìn)行判斷。

3、抓取機(jī)制的原理

針對(duì)這種翻頁式頁面，蜘蛛主要是通過記錄每次抓取網(wǎng)頁發(fā)現(xiàn)的文章鏈接，然后將此次發(fā)現(xiàn)的文章鏈接與歷史上發(fā)現(xiàn)的鏈接作比較，如果有交集，說明該次抓取發(fā)現(xiàn)了所有的新增文章，可以停止對(duì)后面翻頁條的抓取了；否則，說明該次抓取并未發(fā)現(xiàn)所有的新增文章，需要繼續(xù)抓取下一頁甚至下幾頁來發(fā)現(xiàn)所有的新增文章。

在此以博客為例，比如在網(wǎng)站翻頁目錄新添加了29篇文章，也就是說上次最新一篇是第30篇，而蜘蛛是一次性抓取10篇文章鏈接，這樣蜘蛛第一次進(jìn)行抓取時(shí)抓了10篇，與上次并沒有交集，繼續(xù)抓取，第二次又抓10篇，也就是一共抓20篇了，還是與上一次沒有交集，然后繼續(xù)抓取，這一次就抓到了第30篇，也就是和上次的有交集了，這就說明蜘蛛已經(jīng)抓取了從上次抓取到這次網(wǎng)站更新的全部29篇文章。