海外服务器上Web信息采集的选择
- 来源：云岑网络
- 阅读：3078次
- 2016/09/27
[摘要] Web信息采集（Web Crawling)，主要是指通过Web页面之间的链接关系，从Web上自动的获取页面信息，并且随着链接不断向整个Web扩展的过程。实现这一过程主要是由Web信息采集器Web Crawler来完成的。Web Crawler也常称作Web Spider. Web Robot或Web Worm。粗略的说，它主要是指这样
Web信息采集（Web Crawling)，主要是指通过Web页面之间的链接关系，从Web上自动的获取页面信息，并且随着链接不断向整个Web扩展的过程。实现这一过程主要是由Web信息采集器Web Crawler来完成的。Web Crawler也常称作Web Spider. Web Robot或Web Worm。粗略的说，它主要是指这样一个程序，从一个初始的URL集出发，将这些URL全部放入到一个有序的待采集队列里。而采集器从这个队列里按顺序取出URL，通过Web上的协议，获取URL所指向的页面，然后从这些己获取的页面中提取出新的URL，并将他们继续放入到待采集队列里，然后重复上面的过程，直到采集器根据自己的策略停止采集。对于有些采集器，到此就算完结了，而对于另一些采集器，它还要将采集到的页面数据和相关数据存储、索引并在此基础上对内容进行分析。
一般分为七个部分：URL处理器、Meta信息获取器、协议处理器、重复内容检测器、URL提取器、语义信息解析器和数据库，它们协调起来才能从Web上获取信息。
通常数据采集应用选择国外的多数是美国服务器，世界各地的信息源泉，有效快速的全球节点保持着数据采集的稳定性，还有就是采集过程会有大流量的损耗，这对不限流量的大带宽美国服务器来说是独特的优势。
赞1
踩1
