编者按：站长同伙们，往后定期都将在这里跟大家分享一些有关搜索引擎工作原理及网站运营相干的内容，今天先简单介绍一下关于搜索引擎抓取体系中有关抓取体系基本框架、抓取中涉及的网络协议、抓取的基本过程三部分。
互联网信息爆发式增加，如何有用的获取并行使这些信息是搜索引擎工作中的首要环节。数据抓取体系作为整个搜索体系中的上游，重要负责互联网信息的搜集、保存、更新环节，它像蜘蛛一样在网络间爬来爬去，因此通常会被叫做“spider”。例如我们常用的几家通用搜索引擎蜘蛛被叫做：Baiduspdier、Googlebot、Sogou Web Spider等。
Spider抓取体系是搜索引擎数据来源的紧张保证，假如把web理解为一个有向图，那么spider的工作过程可以认为是对这个有向图的遍历。从一些紧张的种子 URL开始，通过页面上的超链接关系，赓续的发现新URL并抓取，尽Z大可能抓取到更多的有价值网页。对于类似百度如许的大型spider体系，由于每时 每刻都存在网页被修改、删除或出现新的超链接的可能，因此，还要对spider曩昔抓取过的页面保持更新，维护一个URL库和页面库。
1、spider抓取体系的基本框架
如下为spider抓取体系的基本框架图，其中包括链接存储体系、链接选取体系、dns解析服务体系、抓取调度体系、网页分析体系、链接提取体系、链接分析体系、网页存储体系。
2、spider抓取过程中涉及的网络协议
搜索引擎与资源提供者之间存在相互依靠的关系，其中搜索引擎必要站长为其提供资源，否则搜索引擎就无法知足用户检索需求;而站长必要通过搜索引擎将本身的 内容推广出去获取更多的受众。spider抓取体系直接涉及互联网资源提供者的利益，为了使搜素引擎与站长能够达到双赢，在抓取过程中双方必须遵守肯定的 规范，以便于双方的数据处理及对接。这种过程中遵守的规范也就是日常中我们所说的一些网络协议。以下简单列举：
http协议：超文本传输协议，是互联网上应用Z为广泛的一种网络协议，客户端和服务器端请求和应答的标准。客户端一样平常情况是指终端用户，服务器端即指网 站。终端用户通过欣赏器、蜘蛛等向服务器指定端口发送http请求。发送http请求会返回对应的httpheader信息，可以看到包括是否成功、服务 器类型、网页Z近更新时间等内容。
https协议：现实是加密版http，一种更加安全的数据传输协议。
UA属性：UA即user-agent，是http协议中的一个属性，代表了终端的身份，向服务器端注解我是谁来干嘛，进而服务器端可以根据不同的身份来做出不同的反馈效果。
robots协议：robots.txt是搜索引擎访问一个网站时要访问的第一个文件，用以来确定哪些是被许可抓取的哪些是被禁止抓取的。 robots.txt必须放在网站根目录下，且文件名要小写。细致的robots.txt写法可参考 http://www.soupv.com/robotstxt3758 。百度严酷按照robots协议实行，另外，同样支撑网页内容中添加的名为robots的meta标 签，index、follow、nofollow等指令。
3、spider抓取的基本过程
spider的基本抓取过程可以理解为如下的流程图：
