词条 | 网页抓取 |
释义 | 基本介绍网页抓取主要有三个方面: 1、搜集新出现的网页; 2、搜集那些在上次搜集后有改变的网页; 3、发现自从上次搜集后已经不再存了的网页,并从库中删除。 网页抓取的优先策略通常是尽可能的首先抓取重要性的网页,这样保证在有限的资源内尽可能地照顾到那些重要性高的网页。 什么是重要性高的网页呢,主要由这三个方面决定的: 1、链接欢迎度链接欢迎度主要是由反向链接的数目和质量决定的。 2、链接重要度链接重要度它是关于一个URL字符串的函数,仅仅考察字符串本身,它主要通过一些模式,如认为包含|“。com”,“HOME”的URL重要度高,以及包含较少斜杠的URL重要度高等。 3、平均链接的深度平均链接的深度表示在一个种子站点集合中,每个种子站点如果存在一条链路到达该网页,那么平均链接深度又是该网页的一个链接指标,因为距离种子站点越近说明被访问的机会越多。 |
随便看 |
百科全书收录4421916条中文百科知识,基本涵盖了大多数领域的百科知识,是一部内容开放、自由的电子版百科全书。