《信息检索导论》第二十章总结

一、Web采集介绍

Web采集是从Web中采集大量网页的过程，并且要避免采集重复或无用的页面，采集完的网页需要构建索引，以扩大搜索引擎的索引规模；

web采集通常是由多台机器并行采集；

web采集的必须功能

（1）Web采集器需要识别采集器陷阱（spider traps），比如当采集器访问到某个web服务器的网页时，此网页会生成无限多个网页被采集器采集，从而使得采集器不能跳出；

（2）web服务器都有一个政策，比如服务器每5秒只能访问一次，因此采集器必须遵循这些规则；

web采集的可选功能

1.分布式：采集器有多个节点；

2.即时更新：将原始抓取的网页进行更新；

3.功能可扩展性：可以增加协议；

二、Web采集流程

web采集过程类似于遍历web图的过程;

1.设定一个或多个URL作为种子集合，并放入URL等待池；

2.抽取URL：在URL池中取出一个URL，并在URL池中删除这个URL（如果是连续式采集，则可以不用删，因为以后还会采集此URL进行页面更新）；

3.采集网页；

4.分析网页，并抽取出文本和链接，文本放入索引器，链接首先检查是否已被采集、是否内容相同、是否满足robots.txt文件，如果未被采集、内容不同、满足robot，则放入URL等待池（URL Frontier）（通过shingle方法判断内容重复）,等待被采集；

对于连续式采集，抽取URL后不一定要删除URL池中的，因为以后还会被采集；

Content Seen处理内容重复；

URL Filter处理robots文件的问题；

URL duplication处理URL已采集问题；

web采集器的模块

(1)URL池；

(2)DNS解析器；

(3)抓取模块；

(4)分析模块；

(5)URL去重模块；

web服务器通过拒绝蜘蛛协议（robot exclusion protocol）对采集器进行限制，通过在web目录下放置robots.txt；

在访问web服务器的页面之前，必须先抓取robots.txt文件，放入缓存（加快速度）；

注意：在判定URL是否放入URL池的时候就需要去抓取robots.txt判定，在真正抓取页面之前必须访问robots.txt文件进行判定，因为放入URL池后，robots文件可能会改变；

在URL池取出URL的时候需要考虑不能一直返回相同Web服务器的URL，礼貌问题；

以上是前端队列，当URL放入URL池时，会分配一个优先级，并放入特定的队列；

上图是后端队列，每个队列对应一个主机；

需要保证在采集时后端队列的每个队列不能为空；

Heap的每个元素对应一个后端队列，表示一个web服务器所能再次被访问的最早时间；

分布式web采集

有多个采集器，分布在世界各地；每个采集器

采集器和原来差不多，只是多了主机划分器，并且URL查重模块需要接收其他机器发来的URL；

Host Splitter是主机划分器，宗旨是采集器需要采集的网页是地理位置相邻的web服务器的网页，因此需要有这个主机划分器进行分配URL；

DNS（Domain Name Service）服务器：用来将URL解析成IP的机器；

DNS解析：将URL解析成IP地址；

DNS服务器通常会有多个，因此是分布式的；

DNS解析的时间很长，所以可以通过DNS缓存加快速度；