1，蜘蛛，即Spider，类似浏览器的程序，专门用来下载web页面

　　2，爬虫，即Crawler，用来自动跟踪所有页面中的链接

　　3，索引，即Indexer，专门用来分析蜘蛛和爬虫下载下来的web页面

　　4，数据库，存储下载的页面信息和处理过的页面信息

　　5，结果引擎，从数据库中抽取出搜索结果

　　6，Web服务器，用来处理用户的搜索交互请求的web服务器

 

　　般我们根据百度蜘蛛的爬取特点，可以将其分为三类: 批量型Spider、增量型Spider和垂直型Spider.

　　2、批量型Spider
  

　　垂直型Spider 也可以称之为聚焦爬虫，只对特定主题、特定内容或特定行业的网页进行抓取，般都会聚焦在某个限制范围内进行增量型的抓取。此类型的Spider 不像增量型Spider样追求大而广的覆盖面，而是在增量型Spider 上增加个抓取网页的限制，根据需求抓取含有目标内容的网页，不符合要求的网页会直接被放弃抓取。对于网页级别纯文本内容方面的识别，现在的搜索引擎Spider还不能地进行准确分类，并且垂直型Spider 也不能像增量型Spider 那样进行全互联网爬取，因为那样太浪费资源。所以现在的垂直搜索引擎如果有附属的增量型Spider,那么会利用增量型Spider 以站点为单位进行内容分类，然后再派出垂直型Spider 抓取符合自己内容要求的站点: 没有增量型Spider 作为基础的垂直搜索引擎，般会采用人工添加抓取站点的方式来引导垂直型Spider 作业。当然在同个站点内也会存在不同的内容，此时垂直型Spider 也需要进行内容判断，但是工作量相对来说已经缩减优化了很多。

 

　　互联网资源庞大的数量级，这就要求抓取系统尽可能的高效利用带宽，在有限的硬件和带宽资源下尽可能多的抓取到有价值资源。

　　简单介绍几种百度支持的返回码：

　　1)最常见的404代表“NOT FOUND”，认为网页已经失效，通常将在库中删除，同时短期内如果spider再次发现这条url也不会抓取;

　　2)503代表“Service Unavailable”，认为网页临时不可访问，通常网站临时关闭，带宽有限等会产生这种情况。

　　3)403代表“Forbidden”，认为网页目前禁止访问。如果是新url，spider暂时不抓取，短期内同样会反复访问几次;如果是已收录url，不会直接删除，短期内同样反复访问几次。如果网页正常访问，则正常抓取;如果仍然禁止访问，那么这条url也会被认为是失效链接，从库中删除。

　　4)301代表是“Moved Permanently”，认为网页重定向至新url。当遇到站点迁移、域名更换、站点改版的情况时，我们推荐使用301返回码，同时使用站长平台网站改版工具，以减少改版对网站流量造成的损失。

　　由于互联网资源规模的巨大以及迅速的变化，对于搜索引擎来说全部抓取到并合理的更新保持一致性几乎是不可能的事情，因此这就要求抓取系统设计一套合理的抓取优先级调配策略。主要包括：深度优先遍历策略、宽度优先遍历策略、pr优先策略、反链策略、社会化分享指导策略等等

　　spider在抓取过程中往往会遇到所谓抓取黑洞或者面临大量低质量页面的困扰，这就要求抓取系统中同样需要设计一套完善的抓取反作弊系统