BaiduSpider升级到3.0，抓取速度提升80%

发布时间：2019/10/31 丨 浏览次数：

Baidu Spider上一次升级还要追溯到2010年。

那个时候，中国互联网资源急剧扩张，从百亿扩大到千亿规模，因而spider系统进行了重构，从单机互联转变为分布式计算系统。

但是有一个很大的缺点：延时严重！

而此次重构是把当前离线、全量计算为主的系统，改造成实时、增量计算的全实时调度系统，万亿规模的数据进行实时读写，可以收录90%的网页，速度提升80%！

一张图以蔽之：​

BaiduSpider升级到3.0，抓取速度提升80%

一、链接发现方面

如今sipder每天发现的新链接在500亿左右的量级，而在百度站长平台提交链接是其中最为高效的，特此，工程师提醒站长不要过度提交链接，尤其是低质链接，这样才能达到更好更及时的收录效果。

二、链接抓取方面

策略上，开发了更强大的机器学习模型，来进行链接的质量预测，对库中所有的链接进行全局排序，对有价值链接的召回率提高95%！

架构上，计算性能的强劲提升，对每天新增的数百亿模块的链接，完成实时计算，延时不到1秒；开发了更强大的存储系统，面对万亿规模的数据做到实时读写。

三、时效性页面方面

中长尾站的福音！针对时效性资源，从原来的优先对新浪、网易等大新闻站进行抓取，扩大到覆盖全网的新闻、博客、论坛等站点进行快速抓取，大小站都能优待。

打破老的平稳抓取模型，采用按需抓取机制，对有时效性新资源，做到秒级抓取。

目前，每天收录的时效性资源规模，扩大到原来的3倍，达到近1亿量级！

四、死链方面

全新的死链识别模型，能识别各种协议死链、内容死链、跳转死链等低质网页。

其中无效低质网页（如被黑），通过百度站长平台提交，可加快检索屏蔽的过程。

五、建库方面

索引展现时效性提升，原来是10天左右，现在提升40%~80%不等！