简析搜索引擎的网络爬虫技术

姜从群

（中国人民解放军第二炮兵工程大学士官职业技术教育学院 山东 青州 262500）

1 网络爬虫技术

网络爬虫也称为“文档抽取系统”，是构成第三代搜索引擎系统的重要组成部分之一，主要由文档适配器与信息爬行器组成，文档适配器能够处理不同类型的文档，信息爬行器主要进行页面信息的收集工作，文档抽取子系统首先根据配置文件的约定，定时产生信息爬行器对分布在网络上的信息节点进行遍历，然后调用对应的文档适配器来抽取网络文档信息。文档适配器能够抽取的页面文件种类繁多，能够对各种类型的文档以及多媒体文本信息等。信息爬行器为计算机程序的一个进程或线程，通常采用并发工作方式，以便能可能多、周期尽可能短地搜集网络节点的页面信息，同时还要避免死链接或无效链接。信息爬行器一般采用分布式并行计算技术来提高工作的广度与速度。

2 图的遍历算法

网络爬虫在网络中执行信息收集的过程实际上就是一种图的遍历。图的遍历算法通常有两种方式：即广度优先算法与深度优先算法。下面就具体介绍一下两种算法。

通常深度优先算法使用的数据结构为栈，通过栈的出入特点进行搜索，其过程首先从该图的某个顶点或者子图出发，将所有属于该子图的顶点信息的链接地址（即URL，Universal Resource Locator）进行压栈操作，待所有顶点都操作完成后，然后将栈顶的元素取出，根据该元素的URL，访问该元素URL所指向的网络，然后将该页面的信息进行收集与分析，从而得到该页面内部的所有的URL连接信息，再将该页面所有的连接信息进行压栈，从而按照图的广度将图上所有的链接进行展开操作，重复这些步骤就可以对图进行深度搜索遍历，达到遍历收集所有互联网信息资源的目的。

深度优先搜索算法在展开页面链接时总是从栈顶进行展开，因此随着时间的增加，栈的深度也在不断增加，位于底部的元素可能会长时间不能进行处理，从而造成该算法陷入一个大的页面而不能继续展开遍历。为了避免这一问题，可以采用广度优先搜索算法，广度优先搜索算法是通过队列这种数据结构进行展开的，根据各个元素节点距离最初节点的层次对所有的网络节点进行遍历，从而对每个节点都能够在访问全网一次的时间内进行公平处理，克服了深度优先算法陷入局部节点的不足，也保证了不会漏掉队列后面的的元素，从而达到了公平对待互联网上所有节点资源的目的。

在广度优先算法中，根据是否已经对节点进行访问，将爬行队列构造为两部分：即待爬行队列与已爬行队列。待爬行队列主要存储需要进行访问的元素节点URL，而URL在队列中的先后顺序则体现了算法的爬行策略。而已爬行队列则主要存储已经访问过的URL，由于该队列的长度随着时间的增加不断增长，因此需要优化该队列的插入与查询操作；在网络爬虫的爬行过程中，不论是带爬行队列还是已爬行队列，都需要频繁进行插入与查询操作。因此，该队列数据结构的性能会直接影响搜索引擎的搜集性能。

对爬行器来说，网页的采集与解析是核心工作。而爬行程序是否高效，主要取决于网页采集的效率。其过程分为5个步骤：

1）将待爬行队列的第一个元素取出；

2）访问DNS服务器，对URL进行域名解析；

3）根据ROBOT网络协议，获取该URL服务器的权限；

4）若得到访问权限，则对服务器发出URL请求；

5）通过HTTP协议进行访问。

网络爬虫在工作时，若频繁访问DNS服务器，可能会造成比较繁重的网络负担，引起服务器响应以及网络延迟，会降低爬行程序的效率。因此，通常在本地服务器上建立一个DNS缓存来降低对DNS服务器的访问频率。同时，为了提高爬行程序的效率，通常采用多线程或者多进程来对网页采集程序进行流水线处理，多线程与多进程程序设计相对比较复杂，需要解决的问题主要是进程的同步和互斥；也就是解决多个线程或进程共享资源的问题。造成死锁的情况通常是占有一个资源然后又请求另一资源，因此，若系统只存在一个共享资源就不会造成会死锁。为了解决饿死问题，通常只采用一个等待对列，若待爬行队列处于使用状态，则将要访问该队列的线程插入等待队列。而队列的特点能够保证了所有的等待线程都公平对待，从而解决了饿死问题。具体算法如下：

1）对爬行队列上锁。若爬行队列已经上锁，则将该线程或进程插入等待对列。

2）取出待爬行队列的URL元素。

3）对爬行队列解锁，然后唤醒下一个进程或线程。

4）访问页面，将页面中的URL进行解析。

5）对爬行队列上锁。如爬行队列已上锁，则插入等待对列。

6）将步骤4）得到的URL插入对列。

7）对爬行队列解锁，唤醒下一个进程或线程。

8）重复1）——7）直到结束。

3 页面解析

在解决了互联网节点页面遍历的问题后，网络爬虫剩下的工作就是页面解析，页面解析主要是分析与理解HTML（超文本标记语言）文档。HTML作为一种标记语言，能够对互联网节点的页面外观进行标准化处理，从而规范互联网节点页面的外观与功能。实际上，超文本标记语言就是以普通文本为基础，通过增加各种表现样式以及字体、颜色标签来实现文档的规范化。通常各种标签都用双箭头进行标识，而文本信息则位于＜tag＞＜/tag＞之间。图2为一个典型的超文本标记语言文档。

在超文本标记语言中，能够表达连接的标签通常是anchor标签，即通过＜a＞…＜/a＞进行标识的标签，长用来表达URL的超链接。各种页面通过该标签，将个节点相互独立的网页进行链接，从而构成了一种页面连接图的结构。解析HTML的文档包括两个步骤：

1）对表单进行识别解析，然后填写该表单提交请求，在收到返回结果后，从结果中提取锚文本以及URL；

2）把超文本标记语言变换为纯文本。

在解析页面的过程中，首先需要获取＜a＞＜/a＞标签对之间的纯文本信息（锚文本）与该文本标签的URL地址，然后将HTML文档中的标签进行消除。这些工作都是字符串的处理工作，处理步骤如下：

1）使用HTML分析工具清洗页面文档，使之转变成全部标准化的超文本标记语言页面；

2）通过字符串处理工具解析HTML网页；

3）将结果进行输出。

通过以上解析过程，将URL信息从页面中抽取出来，然后进行评价，再放入爬行队列进行处理。

4 结束语

本文主要介绍了搜索引擎的网络爬虫技术，该技术是构成现代搜索引擎系统的重要组成部分之一，文章详细研究图的遍历算法的两种方式：即广度优先算法与深度优先算法。在解决了互联网节点页面遍历的问题后，对网络爬虫中的重要工作——页面解析进行了具体的分析。