网络爬虫（1）：概述

最近开始写搜索引擎项目了，基于Linux平台的，用纯C编写。项目主要参考以下书籍：

1. 《走进搜索引擎》，梁斌，电子工业出版社
2. 《搜索引擎原理、实践与应用》，卢亮、张博文，电子工业出版社
3. 《搜索引擎——原理、技术与系统》，李晓明、闫宏非、王继民，科学出版社

这三本书其实重复的部分很多，但是国内这方面的参考资料实在少的可怜，而且太偏理论，所以有条件的话，还是建议把三本书都找来读读。

开发计划

项目第一步是实现对于给定范围内的数据的抓取和更新，目标区域是海大所有网站或教育网所有网站，千万级的数据量。

这个计划又分为三步：

1. 单线程定向抓取
2. 多线程抓取
3. 分布式抓取

目前第一步：单线程的定向抓取已经完成。

流程

整个系统的流程图如下：

系统模块

根据系统的流程将其分为七个模块：

1. store：负责数据的存储，包括将页面储存到磁盘、获取下一个未分析的页面等。
2. url_info：负责Url信息的转换，主要是根据Url提取域名和服务器的IP地址。
3. url_index：判断Url是否已被抓取。
4. url_filter：Url过滤器，用于实现定向抓取。
5. http：负责根据Url抓取页面。
6. page_parse：页面的解析，提取包含的Url。
7. main：主程序。

以后会陆续介绍各个模块的实现。

开发环境

操作系统：Ubuntu 8.04

部署服务器：Ubuntu 8.04 Server

编译工具：gcc，make

IDE：Eclipse CDT 4.0.1

版本控制：Subversion