网络编程：网络蜘蛛的秘密
大众网络报 张黎
编者按：经常去雅虎、搜狐等网站搜索信息的读者一定有这样的疑问：如此庞大的网页信息，到底是如何被这 些网站所收集到的呢？难道都是人工登记并整理的吗？当然不是。这些搜索引擎能够快速地找到如此之多的信 息，和网络蜘蛛的应用是分不开的。
网络蜘蛛可以算得上是为Internet而开发的最有用处的工具之一。时至今日，要想从以千万计的各不相同 的站点中获取信息，舍网络蜘蛛之外，焉有他哉？
一个典型的网络蜘蛛（例如雅虎）工作的方式，是查看一个页面，并从中找到相关信息, 然后它再 从该页面的所有链接中出发，继续寻找相关的信息。以此类推，直至穷尽。很快地，就可以在数据库中获得成 千上万的页面和信息。这样的工作方式就如同一张向外发散的蜘蛛网，这正是“网络蜘蛛”这个名称的由来。
接下来让我们看看如何建立一个网络蜘蛛。在此之前，我们先要了解几个概念。
一、基本原理
我们可以用网络蜘蛛搜寻很多东西。事实上，现在有一些特别用途的商用网络蜘蛛，这些软件为它们的开 发者赚取了大把的钞票，比如Altavista科技的一份许可证，就价值30万美元。以下是一个网络蜘蛛的基础原 理：
* 从各个消息来源收集信息
从技术角度讲，一个网络蜘蛛应该可以不受限制地从任意来源获取信息。来源多多益善。
* 准确度
不管是谁，遇见这样的事情肯定都会崩溃——搜索引擎向你返回了一百万个结果，可是，只有最后两个是 你需要的（这还算好的，如果是中间的两个呢？）。所以好的网络蜘蛛对其返回的结果应该有足够的准确度， 而且在有些情况下，还要有特定的功能，也就是说，只返回特定类型的信息——比如www.enfused.com的专为 搜索游戏设计的网络蜘蛛，就只返回与游戏相关的东西。
* 相对更新
这依赖于你所使用的技术（下面我们会专门提到），网络蜘蛛应该找回更新后的信息，或者至少是比较新 的信息。如果网络蜘蛛总是找回一些几年前的陈芝麻烂谷子，那你一定会比系统先一步崩溃。
* 相对快速
这就不用多说了，如果没有足够的速度，那你的网络蜘蛛再怎么准确，也是白搭。
二、基本技术
有好几种方法可以构建网络蜘蛛。第一种，称之为常规网络蜘蛛，只是简单地进行页面寻找，搜索并获得 你想要的东西。例如，用一个短语作为关键词进行搜索。第二种，特殊网络蜘蛛，只寻找页面的特定部分。这 种网络蜘蛛在某些特定场合很有用（比如，你只想获得某一个站点内的新闻标题）。
常规网络蜘蛛是两者中相对简单的一种。首先，你不需要预先知道目标页面的情况。只需要在该页面中， 以及在与其链接的页面中，寻找你要的关键词就可以了。你还可以在功能中设定，忽略掉那些在同一站点下的 链接，从而保证每一个结果都来源于不同的站点。
与之相对应，一个特定的网络蜘蛛通常要求你预先知道一些目标页面的情况，例如表格规划等。举个例子 ，如果你搜寻的是一个页面中的新闻标题，你应该先知道限定此标题的HTML标记。如此你才可以直接搜索页面 中正确的部分。在这种情况下，是否具备搜索该页面的所有链接的功能显得不是特别重要，因为你的网络蜘蛛 很可能在别的页面中无法找到标记，不能进行工作。
运行网络蜘蛛的时间也有所不同：你可以预先运行，也可以实时运行。预先运行意味着当你的网络蜘蛛运 行时，所有搜集到的信息都存贮在一个数据库中，以备以后使用。很明显，如此你将不会获得最新的数据，但 是如果你经常运行网络蜘蛛，这个问题也不会有什么大碍。
实时运行意味着你每次运行网络蜘蛛所获得