Google去年在其官方博客声称已经发现了一万亿的独立URL，面对如此庞大的Web，，分布式的增量爬虫系统是相当的复杂。Google爬虫为了节省带宽，采用了Crawl Caching Proxy(缓存代理)，避免Google多种爬虫(GoogleBot,GoogleBlogsearch Bot,GoogleNews Bot等等)重复爬取同一页面。现在网上复制内容或者同一内容不同表现形式导致大量重复内容，爬虫面临的问题就是减少大量重复内容的抓取。
由于爬虫系统相当复杂，这里主要介绍爬虫的一些爬取策略。对于搜索引擎而言，爬虫最重要的效率，一个重要的评价标准就是爬虫开销，Dasgupta等人将爬虫开销定义为：
爬虫开销=重复抓取的老页面数/发掘新页面数
看得出来，以最快的速度抓取最重要的、最新的页面，才是最好的爬虫策略。网上各种爬虫介绍文章可能都提到过爬取策略，如广度优先、最佳优先，或者还有线性以及最新的OPIC(On-Line Page Importance Computation)策略等等，其实现在基本上采用混合策略，对每个页面有一个优先级，Google爬虫对页面的爬取优先级考虑以下几点因素：
1.查询驱动的爬取，对于一个查询，页面与查询的相关性高低决定了页面被爬取的优先级，但是由于在页面未被爬取前无法判定相关性，只能通过已爬取的其他页面来判断未爬取的页面的相关性，如指向该页面的链接、锚文本等来决定。这个爬取策略可能特别适合现在新闻之类的实时搜索，当突发性的用户热门查询发生时，爬虫可能赋予一些包含相关内容页面一个很高的优先级，快速爬取和更新热门内容页面，可以快速满足用户的需求。
2. 反向链接数，一个面被很多页面或者被重要页面指向，这个页面被爬取的优先级越高，这个也适合新闻之类的实时内容，一些热门内容被快速复制，产生大量的反向链接或者被大型门户网站指向，这些页面可能被赋予很高的爬取权重。
3.PR值，一个页面的PR，与上面的纯粹的反向链接计数不同，这个全局考虑页面的重要性，当然这个因素的更新的时间比较长。
4.前向链接数，也就是出链数量，这个页面出链数量很大，指向大量页面，有可能获得很多新页面的链接，所以也被赋予很高的优先级。
5.URL:路径深度是一个考虑的因素，一般重要页面的路径深度都比较浅，爬取的优先级要高。
以上只是其中的一些因素，跟搜索引擎排名一样，一个有效爬虫系统必须考虑多个因素才能合理抓取，提高爬取效率。新的策略也将继续出现，如RPR(Reverse Pagerank)，也叫反向PR(逆PR)，就是将整个互联网的链接方向倒过来，出链变成入链，计算出来的PR值，RPR越高爬取优先级越高。
SEO讨论
从上面的因素可以看出来，尽量让网站呈一种扁平的层次结构，构建一些重要资源列表页面，方便爬虫快速抓取一些最新内容，减少搜索引擎的爬取开销，还可以及时的为一些热门内容及时增加有效内链，提高热门内容的排名，这对大型网站这一点特别重要。避免生成无限URL的爬虫陷阱以及针对爬虫的Cloaking作弊。不要产生垃圾页面，会影响到所指向页面的抓取。当然要想让搜索引擎频繁光顾你的网站还是要提高网站的权重，提高内容质量。
这里介绍一下爬取和索引的关系，爬取只是索引的必要条件，不是充分条件，没有被搜索引擎索引并不代表没有被爬虫爬取，没有索引可能是你的内容不过关，如重复内容、含有垃圾内容等，也可能你的网站还在Google沙盒期，或者你的网站被惩罚了，建议查看网站日志来查看是否被爬虫爬取。
模拟爬虫的工具也很多，如著名的Xenu，Google管理员工具的模拟爬虫功能等， 对于新的网站和页面以及js,flash和frame内容的抓取、sitemap和robots.txt等爬虫的控制方法可以参考Google网站管理员指南或者百度站长帮助。
