如何定義分布式spider和“降權(quán)蜘蛛”
編輯
分享
評(píng)論
贊0
由于百度Spider所要抓取的網(wǎng)頁(yè)太多，如果只有單一的一個(gè)Spider進(jìn)行抓取作業(yè)，那么將需要非常巨大的計(jì)算能力，同時(shí)也會(huì)消耗更多的抓取時(shí)間。這里就引入了分布式計(jì)算的概念，把龐大的抓取作業(yè)任務(wù)分割成很多較小的部分，使用大量合理計(jì)算能力的服務(wù)器來(lái)承載這個(gè)任務(wù)，以完成對(duì)全互聯(lián)網(wǎng)網(wǎng)頁(yè)的快速抓取。現(xiàn)在大型搜索引擎都會(huì)使用分布式計(jì)算，同樣Spider也會(huì)使用分布式計(jì)算，可以稱這種Spider為分布式Spider，它遵循了分布式計(jì)算的主要規(guī)則，根據(jù)這些規(guī)則也可以解釋現(xiàn)在站長(zhǎng)和SEO人員關(guān)心的“降權(quán)蜘蛛”問(wèn)題。
分布式計(jì)算有很多種計(jì)算方式，這里簡(jiǎn)單介紹Spider應(yīng)有的分布式抓取策略。涉及分布式計(jì)算，也就涉及任務(wù)分發(fā)機(jī)制。整個(gè)分布式Spider系統(tǒng)需要保證所有Spider之間不會(huì)有重復(fù)抓取的情況發(fā)生，也就是要為各個(gè)Spider分配好抓取范圍。當(dāng)一個(gè)Spider發(fā)現(xiàn)一個(gè)新的URL時(shí)，會(huì)判斷該URL是否在自己的抓取范圍之內(nèi)，如果在自己的抓取范圍之內(nèi)，就會(huì)把該URL放到自己待抓取URL隊(duì)列中;如果不在自己的抓取范圍之內(nèi)，就會(huì)把該URL提交給上級(jí)服務(wù)器，由上級(jí)服務(wù)器分發(fā)給相應(yīng)的Spider，并加入到該Spider的待抓取URL列表中。
要確保所有Spider的作業(yè)不重復(fù)，就要求每個(gè)Spider都有自己的抓取范圍，也就是說(shuō)每個(gè)Spider都會(huì)只抓取指定類型的網(wǎng)頁(yè)。這里就要看搜索引擎是如何對(duì)網(wǎng)頁(yè)進(jìn)行分類的了，常規(guī)網(wǎng)頁(yè)的分類方法有三種，第一種是按照優(yōu)秀站點(diǎn)、普通站點(diǎn)、垃圾站點(diǎn)、降權(quán)站點(diǎn)和屏蔽(被K)站點(diǎn)等站點(diǎn)質(zhì)量等級(jí)分類;第二種是按照網(wǎng)站首頁(yè)、網(wǎng)站目錄頁(yè)、網(wǎng)站內(nèi)容頁(yè)、網(wǎng)站專題頁(yè)、視頻、圖片、新聞、行業(yè)資料、其他類型的網(wǎng)絡(luò)文件(PDF、Word、Excel等)等網(wǎng)頁(yè)類型分類;第三種是按照站點(diǎn)或網(wǎng)頁(yè)內(nèi)容所在行業(yè)分類。在真正的Spider系統(tǒng)設(shè)計(jì)中，為了減少搜索引擎和被抓取站點(diǎn)服務(wù)器之間的握手次數(shù)(影響抓取效率的重要因素)，站點(diǎn)級(jí)別相關(guān)的分類應(yīng)該是被優(yōu)先使用的。
Spider會(huì)嚴(yán)格按照自己的作業(yè)任務(wù)進(jìn)行作業(yè)，由以上分類可以看出，對(duì)于大部分中小網(wǎng)站一般都會(huì)有一個(gè)固定的Spider進(jìn)行抓取，所以很多站長(zhǎng)和SEO人員在分析網(wǎng)站日志時(shí)所發(fā)現(xiàn)的百度Spider經(jīng)常都是同一IP段的，但是不同網(wǎng)站之間發(fā)現(xiàn)的Spider的IP段并不同。理論上，如果參與研究的站點(diǎn)比較多，類型比較豐富，就可以比較容易地分辨出百度Spider的任務(wù)分發(fā)模式，這樣通過(guò)分析日志中百度來(lái)訪Spider的IP就可以判斷出自己的站點(diǎn)在百度搜索眼中是什么樣的。
針對(duì)第一種分類方式，就可能出現(xiàn)某一IP段的Spider只抓取權(quán)重高的網(wǎng)站，某一IP段的Spider只抓取已被搜索引擎降權(quán)或者屏蔽的網(wǎng)站。如果真的是采用這種任務(wù)分發(fā)方式，那么網(wǎng)絡(luò)上所傳的“降權(quán)蜘蛛”就可能存在。不過(guò)并不是因?yàn)檫@個(gè)Spider的到來(lái)使得網(wǎng)站降權(quán)或者屏蔽，而是因?yàn)樵摼W(wǎng)站已經(jīng)被百度降權(quán)或者屏蔽，百度服務(wù)器才會(huì)把對(duì)該站點(diǎn)的抓取任務(wù)分發(fā)給這個(gè)Spider。如果百度使用這種分布式的Spider，那么網(wǎng)絡(luò)上對(duì)百度Spider各IP段特性的總結(jié)也是比較有意義的，不過(guò)不可全信，因?yàn)榘俣炔豢赡苤皇褂靡环N任務(wù)分發(fā)模式。這也可以成為站長(zhǎng)和SEO人員的研究方向，但是可能最終一無(wú)所獲。因?yàn)樗阉饕鎸?duì)網(wǎng)站和網(wǎng)頁(yè)的分類有太多緯度了，新抓取和再次抓取所使用的緯度就可能不同，很可能各個(gè)緯度都是綜合使用的。
猜你喜歡