Baiduspider抓取過程中涉及的網絡協議
作者：月光邊境
瀏覽：77次
發布時間：2017-08-11
分享
評論
贊0
剛才提到百度搜索引擎會設計復雜的抓取策略，其實搜索引擎與資源提供者之間存在相互依賴的關系，其中搜索引擎需要站長為其提供資源，否則搜索引擎就無法滿足用戶檢索需求；而站長需要通過搜索引擎將自己的 內容推廣出去獲取更多的受眾。spider抓取系統直接涉及互聯網資源提供者的利益，為了使搜素引擎與站長能夠達到雙贏，在抓取過程中雙方必須遵守一定的 規范，以便于雙方的數據處理及對接。這種過程中遵守的規范也就是日常中我們所說的一些網絡協議。
以下簡單列舉：
http協議：超文本傳輸協議，是互聯網上應用最為廣泛的一種網絡協議，客戶端和服務器端請求和應答的標準。客戶端一般情況是指終端用戶，服務器端即指網 站。終端用戶通過瀏覽器、蜘蛛等向服務器指定端口發送http請求。發送http請求會返回對應的httpheader信息，可以看到包括是否成功、服務 器類型、網頁最近更新時間等內容。
https協議：實際是加密版http，一種更加安全的數據傳輸協議。
UA屬性：UA即user-agent，是http協議中的一個屬性，代表了終端的身份，向服務器端表明我是誰來干嘛，進而服務器端可以根據不同的身份來做出不同的反饋結果。
robots協議：robots.txt是搜索引擎訪問一個網站時要訪問的第一個文件，用以來確定哪些是被允許抓取的哪些是被禁止抓取的。 robots.txt必須放在網站根目錄下，且文件名要小寫。詳細的robots.txt寫法可參考 http://www.robotstxt.org 。百度嚴格按照robots協議執行，另外，同樣支持網頁內容中添加的名為robots的meta標 簽，index、follow、nofollow等指令。
猜你喜歡
評論(0人參與，0條評論)
發布評論
最新評論