为了抓取网上尽量多的页面,搜索引擎蜘蛛会跟踪页面上的链接,http://www.yixiin.com/quote/从一个页面爬到下一个页面,就好像蜘蛛在蜘蛛网上爬行那样,这也就是搜索引擎蜘蛛这个名称的由来.整个互联网是由相互链接的网站及页面组成的.从理论上说,蜘蛛从任何一个页面出发,顺着链接都可以爬行到网上的所有页面.当然,由于网站及页面链接结构异常杂,蜘蛛需要采取一定的爬行策略才能遍历网上所有页面.
最简单的爬行遍历策略分为两种,一种是深度优先,另一种是广度优先.
所谓深度优先,指的是蜘蛛沿着发现的链接一直向前爬行,直到前面再也没有其它链接,然后返回到第一个页面,沿着另一个链接再一直往前爬行.
广度优先是指蜘蛛在一个页面上发现多个链接时,不是顺着一个链接一直向前,而是把页面上所有第一层链接都爬一遍,然后再沿着第二层页面上发现的链接爬向第三层页面.
从理论上说,无论足深度优先还是广度优先,只要给蜘蛛足够的时间,都能爬完整个互联网.在实际工作中同,蜘蛛的带宽资源、时间都不是无限的,也不可能爬完所有页面.实际上最大的搜索引擎也只是爬行和收录了互联网的一小部分.
http://www.yixiin.com/quote/list/3480/
深度优先和广度优先通常是混合使用的,这样既可以照顾到尽量多的网站(广度优先),也能照顾到一部分网站的内页(深度优先).
