- 1、本文档共25页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
网页搜索爬虫时效性系统
叶顺平
分享时间:2013/12/30
大纲
一.爬虫时效性系统的目标
二.时效性系统的整体架构
三.时效性系统主要模块介绍
3.1 Rss/sitemap 系统介绍
3.2 泛爬系统与时效性的关系
3.3 种子调度系统
3.4 种子的挖掘
3.5 种子的更新机制
3.6 抓取系统与javascript解析
3.7 外部合作数据的引入
四、爬虫时效性数据的后续处理
五、有待改进的问题
网页爬虫的几个主要目标
覆盖率
高
死链率 时效性
低 好
爬虫时效性系统的目标
新网页收录全
新网页收录快
时效性系统的整体架构
时效性问题的基本解决方案
•解决系统:网页大爬虫
天级以上 •链接规模: 万亿级别
•Scan周期: 一天左右一轮
•抓取规模: 几亿到几十亿/天
•解决系统:时效性系统
天级以内 •Hub规模: 10-100万级别
•Scan周期:几秒钟到天级
•抓取规模:百万到千万/天
时效性系统主要模块介绍
Rss/sitemap 系统介绍
泛爬系统与时效性的关系
种子调度系统
种子的挖掘
种子的更新机制
抓取系统与javascript解析
外部合作数据的引入
Rss/sitemap 系统介绍
rss
• /wiki/RSS
• /rss-specification
• 豆瓣最新影评rss
• /feed/review/movie
Rss Cont
• <item>
• <title>xxx</title>
• <link>/review/6456744/</link>
• <description>xxx</description>
• <content:encoded>xxx</content:encoded>
• <dc:creator>半辈子</dc:creator>
• <pubDate>Wed, 11 Dec 2013 01:27:21 GMT</pubDate>
• <guid isPermaLink="true">xxx</guid>
• </item>
Sitemap protocols
• w3c:
• /
• Google:
• /webmasters/answer/156184
• /webmasters/answer/71453
• Baidu:
• /search/sitemap_help.html
Where is sitemaprobots.txt
• Robots.txt of douban
• /robots.txt
• User-agent: *
• Disallow: /subject_search
• Disallow: /amazon_search
• …
• Sitemap: /sitemap_index.xml
• Sitemap:
/sitemap_updated_index.xml
• ……
Sitemap Cont
• /news_sitemap.xml
• <urlset xmlns="/schemas/sitemap/0.9">
• <url
文档评论(0)