【读书笔记】《HTTP权威指南》：Web Robots

一、概述

Web机器人（Web Robots）是一种Web客户端的软件程序，它自动发起一系列的Web事务，从而在没有人工参与的状态下完成各种Web数据的搜集和处理。

典型的Web机器人有：

• 股票绘图机器人（Stock-graphing robots）——用于从股票交易服务器上获取股票价格变化的数据，并绘制出走势图。
• 商品比较机器人（Comparison-shopping robots）——用于从各个在线商店中获取包含各种商品及其价格的网页，进而构建商品数据库。
• Web爬虫（Crawlers）——作为搜索引擎的核心，它负责逐个爬取网页链接并搜集文档，从而为搜索引擎进一步构建全文索引数据库（Full-text index database）提供最原始的数据。

二、Web爬虫

Web爬虫的处理过程可以简单概括如下：

1) 选择初始URL集（Root Set）：设置待抓取的URL列表，加入初始URL。

        2) 抓取网页：如果URL列表为空，表明抓取完毕；否则取出一个URL，抓取对应网页。

        3) 提取URL链接：从当前网页中提取出有效的URL链接，加入URL列表，然后跳到第2)步。

1. 选择初始URL集

选择思路：用尽可能少的URL（根据内在的链接关系）覆盖尽可能多的目标网页。

一个比较好的初始URL集的典型组成：一个热门站点（如http://www.sina.com）+ 刚刚新建的一些网页 + 比较孤僻的一些网页（很少被其他网页链接到）。一些大型搜索引擎的Web爬虫就提供了相应机制，让用户来提交一些新建的网页和孤僻的网页，从而帮助提高Web爬虫的覆盖范围。

2. 抓取网页

如果Web爬虫得到一个URL就抓取一个网页，那码农们将会多么的欢快。

残酷的现实是，URL重复（dups）会让网页抓取惹上麻烦，Web爬虫会因此抓取到很多重复的网页，从降低了结果的可用性；更有甚者，URL重复很可能构成URL环（loops），进而使得Web爬虫陷入死循环，周而复始地爬行在由一些固定URL组成的环（cycle）上面。

URL重复可能是被恶意构造的（malicious），但多数情况下是自然存在的。

造成URL重复的因素有：

• 网页中存在完全相同的URL

如网页中有两个链接都为http://www.google.com

• 网页中存在功能等效的URL别名（Aliases）

如网页中有一个链接为http://www.baidu.com:80（80是默认端口，可有可无），另一个链接为http://www.baidu.com/index.html#top（index.html是默认首页，可有可无；锚点#top只是网页中的一部分，不会影响到网页层面）

• 文件系统的符号链接环（Filesystem Link Cycles）

如Web服务器www.foo.com的根目录/下有一个文件index.html，还有一个子目录subdir，但事实上subdir是一个指向根目录/的符号链接，因此http://www.foo.com/index.html和http://www.foo.com/subdir/index.html都指向了同一个文件index.html

• 动态虚拟Web空间（Dynamic Virtual Web Spaces）

这种情况其实跟URL重复无关，但同样会造成恶劣的后果。

如一个恶意的Web服务器，当用户请求网页index-fall.html时，服务器实际却执行了一个网关程序（gateway application），动态生成一个虚构网页A，里面包含指向index-fall1.html的URL；此后Web爬虫会继续抓取index-fall1.html，又会收到服务器动态生成的网页B，其中包含指向index-fall2.html的URL，等等。如此一来，可怜的Web爬虫将会一直游走在这些动态生成的虚构网页中，仿佛步入了一个梦幻般的旅程（Alice-in-Wonderland journey）

避免URL重复或URL环的方法有：

• 维护已访问URL列表：避免字面值完全相同的URL
• URL归一化（Canonicalizing URLs）：解决URL别名问题
• 模式检测（Pattern detection）：解决文件系统的符号链接环问题
• 广度优先（Breadth-first crawling）：尽量采用广度优先（Breadth-first）策略，以推迟遭遇URL环陷阱的时间
• 限制抓取的网页总数（Throttling）：即使陷入URL环，也会最终因为网页总数限制而退出，从而避免死循环
• URL/站点黑名单（URL/site blacklist）：根据以往的经验，将有风险的URL和网站加入黑名单，排除在抓取范围之外，这种方法需要人工参与
• 人工监控：Web世界纷繁复杂，总会遇到技术层面解决不了的问题，此时还得由人来处理

也可以上网搜索“URL去重”等关键字，看看一些具体的解决方案。

3. 提取URL链接

一个网页中往往包含大量的URL链接，这其中的每个链接又会指向一个包含其他URL链接的网页。提取URL链接的策略分为 广度优先（Breadth-first） 和 深度优先（Depth-first） 两种，不同的策略对应的URL处理顺序是不同的。两种策略的正式定义可以上网搜索，这里只根据一个简单的例子加以描述。

例如有网页A、B、C、D、E、F、G，分别对应的URL为a、b、c、d、e、f、g，其中：

    网页A中的URL：b、c、d

    网页B中的URL：e、f

    网页E中的URL：g

则Web爬虫处理网页A时：

    广度优先对应的URL处理顺序：b->c->d->e->f->g

    深度优先对应的URL处理顺序：b->e->g->f->c->d

三、编写友好的Web机器人

友好的Web机器人，往往更加遵守HTTP标准规范，在索要信息的同时，也会更多地考虑到信息提供者（Web服务器）的需求。

1. 规范的HTTP处理（Robotic HTTP）

Web机器人发出的HTTP请求，通常会包含以下必要HTTP头部：

• User-Agent: 给出Web机器人的名称（后面“机器人拒绝标准”的robots.txt中会用到）
• From: 给出Web机器人的使用者/管理员的email地址（满足RFC 822规范的email地址格式）
• Accept: 给出Web机器人希望收到的内容类型
• Referer: 给出包含当前被请求URL的页面的URL（便于Web服务器跟踪自己的站点内容是如何被找到的）
• HOST: 给出目标主机名称，在虚拟主机（Virtual Hosting）的情况下，方便Web服务器在多个虚拟站点中找出客户请求的目标站点
• 条件请求（Conditional Requests）：如If-Modified-Since、If-Match等，具体视需求而定，用以减少Web机器人不必要的抓取

2. Web机器人的不当行为（Misbehaving Robots）

• 由于Web机器人的编程错误或者陷入URL环，导致Web服务器由于过载而不能被其他用户正常访问
• 盲目抓取并公布他人不愿公开的私密信息
• 胡乱抓取过时或无法访问的URL

3. 非请勿入（Excluding Robots）

由于Web机器人可能导致的上述问题，如何限制那些肆意妄为的Web机器人就显得尤为重要。

限制Web机器人的方法主要有两种：机器人拒绝标准（通常又称为robots.txt）和机器人控制标记。其中，robots.txt提供给站点管理员使用，而机器人控制标记则面向HTML网页的作者。

值得注意的是，robots.txt和机器人控制标记都是“君子约定”，如果有Web机器人不想按规矩办事，那这些约定对它就完全不起作用了。

1）robots.txt

“机器人拒绝标准”（Robots Exclusion Standard）目前有v0.0、v1.0和v2.0三个修订版本，这里重点关注v1.0版本的标准：《A Method for Web Robots Control》。

标准中指出，在访问一个Web站点的任何URL前，Web机器人应该首先请求获取该站点的robots.txt，根据Web服务器的响应结果作出以下处理：

• 如果返回成功（HTTP状态码2XX），则Web机器人需要分析robots.txt的内容，并在抓取站点内容时遵守其中的限制规则
• 如果返回不存在（HTTP状态码404），则Web机器人认为该站点没有限制规则，可以随意抓取站点内容
• 如果返回访问受限（HTTP状态码401或403），则表明对于该站点而言，Web机器人是被完全限制的
• 如果返回临时错误（HTTP状态码503），则Web机器人应该尝试稍后访问该站点，直到成功获取到robots.txt为止
• 如果返回重定向（HTTP状态码3XX），则Web机器人应该沿着重定向路径一直向下，知道成功找到robots.txt为止

robots.txt文件的格式User-Agent行和Disallow/Allow行组成。一个典型的robots.txt如下所示：

    User-Agent: slurp
    User-Agent: webcrawler
    Allow: /private/others
    Disallow: /private

    User-Agent: *
    Disallow:

该文件允许机器人slurp和webcrawler访问/private中/others下的内容，但不能访问/private中的其他内容，另外还可以访问除了/private目录以外的其他任何内容；而其他机器人则无法访问本站点的任何内容。

现实生活中的robots.txt例子可以参考 http://www.baidu.com/robots.txt 和 http://www.google.com/robots.txt 等。

2）机器人控制标记（HTML Robot-Control META Tags）

机器人控制标记采用HTML文档的META标记，一般格式如下：

    <META NAME="ROBOTS" CONTENT=directive-list>

指令列表（directive-list）中最常用的两个选项是NOINDEX和NOFOLLOW，其他的可选项有INDEX、FOLLOW、NOARCHIVE、ALL、NONE。

四、搜索引擎

搜索引擎的TOP框架图如下：

有几个概念需要关注：全文索引数据库（Full-text index database）、URL查询字符串，相关度排序，关键字欺骗（Spoofing）。