那么依據(jù)特征，其實(shí)也就是要求了，如何設(shè)計(jì)爬蟲呢？要注意哪些步驟呢？

1】 url 的遍歷和紀(jì)錄

這點(diǎn) larbin 做得非常的好，其實(shí)對(duì)于url的遍歷是很簡(jiǎn)單的，例如：

 

cat [what you got]| tr \" \\n | gawk ‘{print $2}‘ | pcregrep ^http:// 

 

就可以得到一個(gè)所由的 url 列表

2】多進(jìn)程 VS 多線程

各有優(yōu)點(diǎn)了，現(xiàn)在一臺(tái)普通的PC 例如 booso.com 一天可以輕松爬下5個(gè)G的數(shù)據(jù)。大約20萬(wàn)網(wǎng)頁(yè)。

3】時(shí)間更新控制

最傻的做法是沒(méi)有時(shí)間更新權(quán)重，一通的爬，回頭再一通的爬。

通常在下一次爬的的數(shù)據(jù)要跟上一次進(jìn)行比較，如果連續(xù)5次都沒(méi)有變化，那么將爬這個(gè)網(wǎng)頁(yè)的時(shí)間間隔擴(kuò)大1倍。

如果一個(gè)網(wǎng)頁(yè)在連續(xù)5次爬取的時(shí)候都有更新，那么將設(shè)置的爬取時(shí)間縮短為原來(lái)的1／2。

注意，效率是取勝的關(guān)鍵之一。

4】爬的深度是多少呢？

看情況了。如果你比較牛，有幾萬(wàn)臺(tái)服務(wù)器做網(wǎng)絡(luò)爬蟲，我勸您跳過(guò)這一點(diǎn)。

如果你同我一樣只有一臺(tái)服務(wù)器做網(wǎng)絡(luò)爬蟲，那么這樣一個(gè)統(tǒng)計(jì)您應(yīng)該知道：

網(wǎng)頁(yè)深度：網(wǎng)頁(yè)個(gè)數(shù)：網(wǎng)頁(yè)重要程度

0 : 1 : : 10

1 :20 : :8

2: :600: :5

3: :2000: :2

4 above: 6000: 一般無(wú)法計(jì)算

好了，爬到三級(jí)就差不多了，再深入一是數(shù)據(jù)量擴(kuò)大了3／4倍，二是重要度確下降了許多，這叫做“種下的是龍種，收獲的是跳蚤。

5】爬蟲一般不之間爬對(duì)方的網(wǎng)頁(yè)，一般是通過(guò)一個(gè)Proxy出去，這個(gè)proxy有緩解壓力的功能，因?yàn)楫?dāng)對(duì)方的網(wǎng)頁(yè)沒(méi)有更新的時(shí)候，只要拿到 header 的 tag就可以了，沒(méi)有必要全部傳輸一次了，可以大大節(jié)約網(wǎng)絡(luò)帶寬。

apache webserver里面紀(jì)錄的 304 一般就是被cache的了。

6】請(qǐng)有空的時(shí)候照看一下robots.txt

7】存儲(chǔ)結(jié)構(gòu)。

這個(gè)人人見智，google 用 gfs 系統(tǒng)，如果你有7／8臺(tái)服務(wù)器，我勸你用NFS系統(tǒng)，要是你有70／80個(gè)服務(wù)器的話我建議你用afs 系統(tǒng)，要是你只有一臺(tái)服務(wù)器，那么隨便。

給一個(gè)代碼片斷，是我寫的新聞搜索引擎是如何進(jìn)行數(shù)據(jù)存儲(chǔ)的：

 

NAME=`echo $URL |perl -p -e ‘s/([^\w\-\.\@])/$1 eq "\n" ? "\n":sprintf("%%%2.2x",ord($1))/eg‘`

mkdir -p $AUTHOR

newscrawl.pl $URL --user-agent="news.booso.com+(+http://booso.com)" -outfile=$AUTHOR/$NAME

 

--------------------------------------------------------------------------------

 

以上轉(zhuǎn)載的是一篇關(guān)于搜索引擎網(wǎng)絡(luò)爬蟲（即搜索引擎蜘蛛程序）的設(shè)計(jì)分析的文章，介紹了一些蜘蛛設(shè)計(jì)的常識(shí)，這些信息對(duì)SEO都很有幫助，特別是注意以下幾句：

1.通常在下一次爬的的數(shù)據(jù)要跟上一次進(jìn)行比較，如果連續(xù)5次都沒(méi)有變化，那么將爬這個(gè)網(wǎng)頁(yè)的時(shí)間間隔擴(kuò)大1倍，如果一個(gè)網(wǎng)頁(yè)在連續(xù)5次爬取的時(shí)候都有更新，那么將設(shè)置的爬取時(shí)間縮短為原來(lái)的1／2。

網(wǎng)頁(yè)更新頻度嚴(yán)重影響著搜索引擎蜘蛛程度對(duì)網(wǎng)站的爬行，爬取次數(shù)越多意味著網(wǎng)頁(yè)收錄幾率會(huì)越大、收錄數(shù)量越多，收錄是SEO最基礎(chǔ)的一個(gè)環(huán)節(jié)。

2.好了，爬到三級(jí)就差不多了，再深入一是數(shù)據(jù)量擴(kuò)大了3／4倍，二是重要度確下降了許多，這叫做“種下的是龍種，收獲的是跳蚤。

盡量將網(wǎng)站保持在三級(jí)目錄內(nèi)，深層次的網(wǎng)頁(yè)會(huì)給搜索引擎帶來(lái)很大的壓力，當(dāng)然，我想Google有足夠的服務(wù)器來(lái)承擔(dān)這些壓力，但從側(cè)面來(lái)說(shuō)，3層目錄下的網(wǎng)頁(yè)被抓取及更新的頻度要低很多。前面，我說(shuō)過(guò)，要想辦法使網(wǎng)站物理結(jié)構(gòu)和邏輯結(jié)構(gòu)吻合，這體現(xiàn)于URL的良好設(shè)計(jì)，現(xiàn)在你可以檢查下前臺(tái)生成的靜態(tài)網(wǎng)頁(yè)的實(shí)際目錄有幾層，考慮是否可以優(yōu)化。