杨帆 网页抓取优先战略
发布时间：2022-03-04 17:54:20 所属栏目：搜索优化 来源：互联网
导读：网页抓取优先策略也称为页面选择问题(page selection),通常是尽可能地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。那么哪些网页才是重要性高的呢？如何量化重要性呢？ 重要性度量由链接欢迎度、链接重要度和平均链接
|
网页抓取优先策略也称为“页面选择问题”(page selection),通常是尽可能地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。那么哪些网页才是重要性高的呢？如何量化重要性呢？ 重要性度量由链接欢迎度、链接重要度和平均链接深度这个方面决定。 定义链接欢迎度为ib(p)，它主要由反向链接(backinks)的数目和质量决定。首先考察数目，直观地讲，一个网页有越多的链接指向它（反向链接数多），那么表示其他网页对其的认可。同时这个网页被网民访问的机会就大，推测出其重要性也就越高;其次考察质量，如果被越多的重要性高的网指向，那么其重要性也就越高。如果不考虑质量，就会出现局部最优，而不是全局最优的问题。最典型的就是作弊网页，人为地在一些网页中设置了大量反策链接指向其自身的网页，以提高该网页的重要性。如果不考虑链接质量，就会被这些作弊者所利用。  平均链接深度同宽度优先的遍历规则保证，因此不作为重要性评价的指标。在抓取能力有限的情况下，如果能够把重要性高的网页尽可能地抓完，是合理科学的，最终被用户查询到的网页也往往是那些重要性高的网页。 尽管这样看来已经足够完美，事实上，还是忽视了一个重要的要素－－时间。时间导致万维网动态变化的一面。如何抓取那些新增的网页呢？如何重访那些被修改了的网页呢？如何发现那些被删除了的网页呢？为了保持和万维网网页的同步变化，就必须有网页重访策略。通过该策略可以识别增加、修改及删除网页这3种网页变化的情况。 （编辑：云计算网_泰州站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
浙公网安备 33038102330476号