[[170056]]

一、更新策略

互聯(lián)網(wǎng)是實時變化的，具有很強(qiáng)的動態(tài)性。網(wǎng)頁更新策略主要是決定何時更新之前已經(jīng)下載過的頁面。常見的更新策略又以下三種：

1.歷史參考策略

顧名思義，根據(jù)頁面以往的歷史更新數(shù)據(jù)，預(yù)測該頁面未來何時會發(fā)生變化。一般來說，是通過泊松過程進(jìn)行建模進(jìn)行預(yù)測。

2.用戶體驗策略

盡管搜索引擎針對于某個查詢條件能夠返回數(shù)量巨大的結(jié)果，但是用戶往往只關(guān)注前幾頁結(jié)果。因此，抓取系統(tǒng)可以優(yōu)先更新那些現(xiàn)實在查詢結(jié)果前幾頁中的網(wǎng)頁，而后再更新那些后面的網(wǎng)頁。這種更新策略也是需要用到歷史信息的。用戶體驗策略保留網(wǎng)頁的多個歷史版本，并且根據(jù)過去每次內(nèi)容變化對搜索質(zhì)量的影響，得出一個平均值，用這個值作為決定何時重新抓取的依據(jù)。

3.聚類抽樣策略

前面提到的兩種更新策略都有一個前提：需要網(wǎng)頁的歷史信息。這樣就存在兩個問題：***，系統(tǒng)要是為每個系統(tǒng)保存多個版本的歷史信息，無疑增加了很多的系統(tǒng)負(fù)擔(dān);第二，要是新的網(wǎng)頁完全沒有歷史信息，就無法確定更新策略。

這種策略認(rèn)為，網(wǎng)頁具有很多屬性，類似屬性的網(wǎng)頁，可以認(rèn)為其更新頻率也是類似的。要計算某一個類別網(wǎng)頁的更新頻率，只需要對這一類網(wǎng)頁抽樣，以他們的更新周期作為整個類別的更新周期?；舅悸啡鐖D：

二、分布式抓取系統(tǒng)結(jié)構(gòu)

一般來說，抓取系統(tǒng)需要面對的是整個互聯(lián)網(wǎng)上數(shù)以億計的網(wǎng)頁。單個抓取程序不可能完成這樣的任務(wù)。往往需要多個抓取程序一起來處理。一般來說抓取系統(tǒng)往往是一個分布式的三層結(jié)構(gòu)。如圖所示：

最下一層是分布在不同地理位置的數(shù)據(jù)中心，在每個數(shù)據(jù)中心里有若干臺抓取服務(wù)器，而每臺抓取服務(wù)器上可能部署了若干套爬蟲程序。這就構(gòu)成了一個基本的分布式抓取系統(tǒng)。

對于一個數(shù)據(jù)中心內(nèi)的不同抓去服務(wù)器，協(xié)同工作的方式有幾種：

1.主從式(Master-Slave)

主從式基本結(jié)構(gòu)如圖所示：

對于主從式而言，有一臺專門的Master服務(wù)器來維護(hù)待抓取URL隊列，它負(fù)責(zé)每次將URL分發(fā)到不同的Slave服務(wù)器，而Slave服務(wù)器則負(fù)責(zé)實際的網(wǎng)頁下載工作。Master服務(wù)器除了維護(hù)待抓取URL隊列以及分發(fā)URL之外，還要負(fù)責(zé)調(diào)解各個Slave服務(wù)器的負(fù)載情況。以免某些Slave服務(wù)器過于清閑或者勞累。

這種模式下，Master往往容易成為系統(tǒng)瓶頸。

2.對等式(Peer to Peer)

對等式的基本結(jié)構(gòu)如圖所示：

在這種模式下，所有的抓取服務(wù)器在分工上沒有不同。每一臺抓取服務(wù)器都可以從待抓取在URL隊列中獲取URL，然后對該URL的主域名的hash值H，然后計算H mod m(其中m是服務(wù)器的數(shù)量，以上圖為例，m為3)，計算得到的數(shù)就是處理該URL的主機(jī)編號。

舉例：假設(shè)對于URL www.baidu.com，計算器hash值H=8，m=3，則H mod m=2，因此由編號為2的服務(wù)器進(jìn)行該鏈接的抓取。假設(shè)這時候是0號服務(wù)器拿到這個URL，那么它將該URL轉(zhuǎn)給服務(wù)器2，由服務(wù)器2進(jìn)行抓取。

這種模式有一個問題，當(dāng)有一臺服務(wù)器死機(jī)或者添加新的服務(wù)器，那么所有URL的哈希求余的結(jié)果就都要變化。也就是說，這種方式的擴(kuò)展性不佳。針對這種情況，又有一種改進(jìn)方案被提出來。這種改進(jìn)的方案是一致性哈希法來確定服務(wù)器分工。其基本結(jié)構(gòu)如圖所示：

一致性哈希將URL的主域名進(jìn)行哈希運(yùn)算，映射為一個范圍在0-232之間的某個數(shù)。而將這個范圍平均的分配給m臺服務(wù)器，根據(jù)URL主域名哈希運(yùn)算的值所處的范圍判斷是哪臺服務(wù)器來進(jìn)行抓取。

如果某一臺服務(wù)器出現(xiàn)問題，那么本該由該服務(wù)器負(fù)責(zé)的網(wǎng)頁則按照順時針順延，由下一臺服務(wù)器進(jìn)行抓取。這樣的話，及時某臺服務(wù)器出現(xiàn)問題，也不會影響其他的工作。