地址庫

為了避免重復(fù)爬行和抓取網(wǎng)址，搜索引擎會(huì)建立一個(gè)地址庫，記錄已經(jīng)被發(fā)現(xiàn)還沒有抓取的頁面，以及已經(jīng)被抓取的頁面地址庫中的 URL 有幾個(gè)來源:
 


(1) 人工錄入的種子網(wǎng)站。

(2) 蜘蛛抓取頁面后，從 HTML 中解析出新的鏈接 URL 與地址庫中的數(shù)據(jù)進(jìn)行對(duì)比，如果是地址庫中沒有的網(wǎng)址，就存入待訪問地址庫。
 
(3) 站長(zhǎng)通過搜索引擎網(wǎng)頁提交表格提交進(jìn)來的網(wǎng)址。

蜘蛛按重要性從待訪問地址庫中提取 URL，訪問并抓取頁面，然后把這個(gè) URL，從待訪問地址庫中刪除，放進(jìn)已訪問地址庫中。

大部分主流搜索引擎都提供一個(gè)表格，讓站長(zhǎng)提交網(wǎng)址。不過這些提交來的網(wǎng)址都只是存入地址庫而已，是否收錄還要看頁面重要性如何。搜索引擎所收錄的絕大部分頁面是蜘蛛自己跟蹤鏈接得到的?？梢哉f提交頁面基本上是毫無用處的，搜索引擎更喜歡自己沿著鏈接發(fā)現(xiàn)新頁面。
 
文件存儲(chǔ)

搜索引擎蜘蛛抓取的數(shù)據(jù)存入原始頁面蕪湖網(wǎng)站設(shè)計(jì)數(shù)據(jù)庫。其中的頁面數(shù)據(jù)與用戶瀏覽器得到的HTML 是完全一樣的，每個(gè)URL都有一個(gè)獨(dú)特的文件編號(hào) 。