《自己动手写网络爬虫》笔记4-带偏好的网络爬虫

有的时候提取URL的时候不一定按照队列“先进先出”的方式来进行遍历，而是将某些重要的URL先遍历，这种策略称为“页面选择”（Page Selection）。这种策略可以有效地照顾重要性高的网页。

---

1.网页重要性高的因素

链接的欢迎度：
主要由反向链接（backlinks，指向当前URL的链接）的数量和质量决定，我们定义为IB(P)；
链接的重要度：
这是一个关于URL富川的函数，仅仅考察字符串本身，例如，我们认为“.com”和“home”的URL重要度比“.cc”和”map”高，我们定义为IL(P)；
平均链接的深度：
跟读宽度优先的原则计算出全站的平均链接深度，然后认为距离种子站点越近的重要性越高。我们定义为ID(P)；
如果我们定义一个网页的重要性为I(P)，那么由下面的公式所决定：

I(P)=X*IB(P)+Y*IL(P)

其中X和Ｙ两个参数用来调整IB(P)和IL(P)所占的比例的大小，ID(P)由宽度优先的遍历规则保证，因此不作为重要的指标函数。

例子

假设下图中节点的重要性排序为D>B>C>A>E>F>I>G>H。

TODO优先级队列 Visited表 A 空 DBCEF A BCEF AD CEF ADB EF ABDC FH ABDCE GH ABDCEF H ABDCEFG I ABDCEFGH 空 ABDCEFGHI