优秀的搜索引擎爬虫都具有哪些特性

互联网上的网页数据是海量的，爬虫的工作量是巨大的，所以爬虫程序的性能是非常重要的。不同的应用对应的爬虫也各不相同，相应的策略也不相同，那么优秀的爬虫具备哪些特性呢？

优秀的搜索引擎爬虫都具有哪些特性

一、高性能

这里的高性能指的是指爬虫的高效性、稳定性、持续性，单位时间内能够爬取的网页越多，同时又能持续稳定地爬取，那么爬虫的性能就越高。

要提高爬虫的性能，在程序设计时对数据结构的选择尤为重要，同时爬虫的策略以及反爬虫的策略也不容忽视，并且需要利用优质的代理IP来辅助爬虫工作。

二、可扩展性

即使单个爬虫的性能提高到非常高了，但面对海量的数据依然需要相当长的周期，为了尽量缩短爬虫的任务周期，爬虫系统还应该有很好的扩展性，可以通过增加抓取服务器和爬虫数量来达到目的。每台服务器部署多个爬虫，每个爬虫多线程运行，通过多种方式增加并发性，也就是分布式爬虫。

三、健壮性

爬虫在访问各种类型的网站服务器时，可能会遇到各种非常的情况或者突发情况，比如网页HTML编码不规范，目标服务器突然死机，甚至是代理服务器突然故障，爬虫如果能够对各种异常情况作出正确处理，不会不定期地停止工作，这就是爬虫健壮性的一种体现。

四、友好性

爬虫的友好性有两方面的含义：一是保护网站的部分私密性，二是减少目标网站的网络负载，其实还有一种是在使用代理IP时，减少代理服务器的网络负载。

对于网站所有者来说，有些内容是不希望被泄露的，一般会有robot.txt文件来指定哪些禁止爬取，或者在HTML代码里加入 meta name="robots"标记。作为友好的爬虫，一定要遵守这个协议。

友好的爬虫不能影响到目标服务器的正常运行，给目标服务器造成太大的访问压力，这样也容易被封IP限制爬取，在使用代理IP的时候也是一样，对代理服务器造成太大的压力，最终还是影响自己爬虫工作的稳定进行。