网页搜集是搜索引擎三段式工作的第一阶段的工作，在这个阶段搜索引擎完成原始网页的搜集，这些网页将作为下一个阶段的数据基础。那么搜索引擎在这个阶段会碰上哪些问题呢?
网页搜集时机
第一个问题就是，搜索引擎是什么时候搜集网页的呢?是用户搜索的时候立刻去网络上搜集呢?还是事先搜集好的呢?下面就来分析一下两种方式的可行性。
1、即时搜集
即时搜集是指搜索引擎当用户查询的时候，即时的去网上搜集所有的网页，然后一个个的分析处理，最后返回相应的结果。我们可以用下图来表示这种搜集方式：
假设网络上有网页 A、B、C…当搜索引擎接收到用户的查询时，搜索引擎立刻去互联网搜集所有的网页，然后处理排序后，返回结果列表 T、C、A、B…
虽然完成了任务，但是我们都知道搜索引擎下载和处理一个网页起码都需要1秒钟，而对于每一个查询搜索引擎都要处理上百亿的网页，那么我们通过这个方式想得到一个结果页面，起码要花上几年的时间，这显然是不现实的。
2、事先搜集
事先搜集是指搜索引擎一开始搜集好一批网页，并处理好存储在数据库中，用户在查询的时候去数据库中直接查询匹配项。如下图说明：
一样假设互联网有网页 A、B、C…搜索引擎事先将这些网页搜集回来，并且处理排序后存在数据库中，当用户查询的时候，搜索引擎直接去数据库中获得搜索结果并且返回，就可行性来议，这种方式是没有问题的，因此主流的搜索引擎都是以事先搜集的方式搜集网页。
网页搜集方式
知道了搜索引擎使用的是事先搜集的搜集方式，但是如何搜集的，还是需要考虑的，一个好的搜集方案，可以大大提高搜集的效率。下面就介绍两种网页搜集方式。
1、定期搜集
定期搜集，就是指一开始先搜集一遍互联网，之后每次搜集都替换掉上一次的内容，也称为“批量搜集”。
比如一开始互联网上有网页 A、B、C…然后一段时间后，新出现了网页E;网页B被删除了。那么下一次搜集的时候，搜索引擎会将网页 A、B、C..E…都搜集回来，并且将网页B仅数据库中删除掉，这样就完成了一次搜集。
这样的搜集方式优点是实现简单，缺点是时新性差，以及重复搜集带来的额外带宽消耗。
2、增量搜集
增量搜集是指一开始先搜集一遍网页，以后只是：①搜集新出现的网页;②搜集上一次搜集后有所改动的网页;③发现上次搜集后不再存在的网页，并从库中删除掉。
比如一开始有网页 A、B、C…然后一段时间出现了网页E;网页B被删除了；网页D更新了。那么下一次搜集的时候，搜索引擎只将更新了的D和新出现的网页E搜集，并且删除了网页B，而其他页面都不再做处理。
这样的搜集方式优点是时新性强(因为每天更新和新出现的网页少，可以每天都搜集)，缺点是系统复杂，尤其是在建立索引的过程中。
一般来说，主流的搜索引擎平时都是采用增量搜集的方式搜集网页，然后定期进行一个批量搜集。
以上就是搜索引擎搜集网页的简介，但是在搜集网页的过程中还有许多问题是搜索引擎需要攻克的，比如如何存储搜集回来的网页，如何避免重复搜集网页，如何首先搜集重要的网页以及搜索子系统的可扩展性等等。
评论