不重復(fù)抓取？有很多初學(xué)者可能會(huì)覺得。爬蟲不是有深度優(yōu)先和廣度優(yōu)先兩種抓取策略嗎？你這怎么又多出來一個(gè)不重復(fù)抓取策略呢？其實(shí)我這幾天有不止一次聽到了有人說要在不同頁面增加同一頁面鏈接，才能保證收錄。我想真能保證嗎？涉及收錄問題的不止是抓沒抓吧？也從而延伸出今天的這篇文章，不重復(fù)抓取策略，以說明在一定時(shí)間內(nèi)的爬蟲抓取是有這樣規(guī)則的，當(dāng)然還有很多其他的規(guī)則策略，以后有機(jī)會(huì)再說，例如優(yōu)先抓取策略、網(wǎng)頁重訪策略等等。

    回歸正題，不重復(fù)抓取，就需要去判斷是否重復(fù)。那么就需要記住之前的抓取行為，我們舉一個(gè)簡(jiǎn)單的例子。你在我的QQ群里看到我發(fā)了一個(gè)URL鏈接，然后你是先看到了我發(fā)的這個(gè)鏈接，然后才會(huì)點(diǎn)擊并在瀏覽器打開看到具體內(nèi)容。這個(gè)等于爬蟲看到了后才會(huì)進(jìn)行抓取。那怎么記錄呢？

    假設(shè)這是一個(gè)網(wǎng)頁上所有的鏈接，當(dāng)爬蟲爬取這個(gè)頁面的鏈接時(shí)就全部發(fā)現(xiàn)了。當(dāng)然爬取（理解為發(fā)現(xiàn)鏈接）與抓取（理解為抓取網(wǎng)頁）是同步進(jìn)行的。一個(gè)發(fā)現(xiàn)了就告訴了另外一個(gè)，然后前面的繼續(xù)爬，后面的繼續(xù)抓。抓取完了就存起來，并標(biāo)記上，如上圖，我們發(fā)現(xiàn)第2條記錄和第6條記錄是重復(fù)的。那么當(dāng)爬蟲抓取第二條后，又爬取到了第6條就發(fā)現(xiàn)這條信息已經(jīng)抓取過了，那么就不再抓取了。爬蟲不是盡可能抓更多的東西嗎？為什么還要判斷重復(fù)的呢？

    其實(shí)，我們可以想一下。互聯(lián)網(wǎng)有多少網(wǎng)站又有多少網(wǎng)頁呢？趙彥剛是真沒查證過，但這個(gè)量級(jí)應(yīng)該大的驚人了。而本身搜索引擎的爬取和抓取都是需要執(zhí)行一段代碼或一個(gè)函數(shù)。執(zhí)行一次就代表著要耗費(fèi)一丁點(diǎn)資源。如果抓取的重復(fù)量級(jí)達(dá)到百億級(jí)別又會(huì)讓爬蟲做多少的無用功？耗費(fèi)搜索引擎多大的成本？這成本就是錢，降低成本就是減少支出。當(dāng)然不重復(fù)抓取不光體現(xiàn)在這里，但這個(gè)是最顯而易見的。你要知道的就是類似于內(nèi)容詳情頁的熱門推薦、相關(guān)文章、隨機(jī)推薦、最新文章的重復(fù)度有多大？是不是所有頁面都一樣？如果都一樣，那么可以適當(dāng)調(diào)整下，在不影響網(wǎng)站本身的用戶體驗(yàn)前提下，去適當(dāng)做一些調(diào)整。畢竟網(wǎng)站是給用戶看的，搜索引擎只是獲取流量的一個(gè)重要入口，一種營(yíng)銷較為重要的途徑！