-.z.網絡爬蟲調研報告基本原理Spider概述Spider即網絡爬蟲,其定義有廣義和狹義之分。狹義上指遵循標準的http協(xié)議利用超和Web文檔檢索的方法遍歷萬維網信息空間的軟件程序;而廣義的定義則是所有能遵循h(huán)ttp協(xié)議檢索Web文檔的軟件都稱之為網絡爬蟲。Spider是一個功能很強的自動提取網頁的程序,它為搜索引擎從萬維網上下載網頁,是搜索引擎的重要組成.它通過請求站點上的HTML文檔訪問*一站點。它遍歷Web空間,不斷從一個站點移動到另一個站點,自動建立索引,并加入到網頁數(shù)據(jù)庫中。網絡爬蟲進入*個超級文本時,它利用HTML語言的標記結構來搜索信息及獲取指向其他超級文本的URL地址,可以完全不依賴用戶干預實現(xiàn)網絡上的自動爬行和搜索。Spider的隊列（1）等待隊列:新發(fā)現(xiàn)的URL被加入到這個隊列,等待被Spider程序處理;（2）處理隊列:要被處理的URL被傳送到這個隊列。為了避免同一個URL被多次處理,當一個URL被處理過后,它將被轉移到完成隊列或者錯誤隊列(如果發(fā)生錯誤)。（3）錯誤隊列:如果在下載網頁是發(fā)生錯誤,該URL將被加入到錯誤隊列。（4）完成隊列:如果在處理網頁沒有發(fā)生錯誤,該URL將被加入到完成隊列。網絡爬蟲搜索策略在抓取網頁的時候,目前網絡爬蟲一般有兩種策略:無主題搜索與基于*特定主體的專業(yè)智能搜索。其中前者主要包括:廣度優(yōu)先和深度優(yōu)先。廣度優(yōu)先是指網絡爬蟲會先抓取起始網頁中的所有網頁,然后再選擇其中的一個網頁,繼續(xù)抓取在此網頁中的所有網頁。這是最常用的方式,因為這個方法可以讓網絡爬蟲并行處理,提高其抓取速度。深度優(yōu)先是指網絡爬蟲會從起始頁開始,一個一個跟蹤下去,處理完這條線路之后再轉入下一個起始頁,繼續(xù)跟蹤。這個方法有個優(yōu)點是網絡爬蟲在設計的時候比較容易。大多數(shù)網頁爬行器采用寬度優(yōu)先搜索策略或者是對這種策略的*些改進。在專業(yè)搜索引擎中,網絡爬蟲的任務是獲取Web頁面和決定的訪問順序,它通常從一個"種子集”(如用戶查詢、種子或種子頁面)發(fā),以迭代的方式訪問頁面和提取。搜索過程中,未訪問的被暫存在一個稱為"搜索前沿”(SpiderFrontier)的隊列中,網絡爬蟲根據(jù)搜索前沿中的"重要程度”決定下一個要訪問的。如何評價和預測的"重要程度”(或稱價值)是決定網絡爬蟲搜索策略的關鍵。眾多的網絡爬蟲設計各不相同,但歸根結底是采用不同的價值評價標準。常用開源網絡爬蟲介紹及其比較Nutch開發(fā)語言：Java簡介：Apache的子項目之一，屬于Lucene項目下的子項目。Nutch是一個基于Lucene，類似Google的完整網絡搜索引擎解決方案，基于Hadoop的分布式處理模型保證了系統(tǒng)的性能，類似Eclipse的插件機制保證了系統(tǒng)的可客戶化，而且很容易集成到自己的應用之中。Larbin開發(fā)語言：C++簡介larbin是一種開源的網絡爬蟲/網絡蜘蛛，由法國的年輕人SébastienAilleret獨立開發(fā)。larbin目的是能夠跟蹤頁面的url進行擴展的抓取，最后為搜索引擎提供廣泛的數(shù)據(jù)來源。Larbin只是一個爬蟲，也就是說larbin只抓取網頁，至于如何parse的事情則由用戶自己完成。另外，如何存儲到數(shù)據(jù)庫以及建立索引的事情larbin也不提供。latbin最初的設計也是依據(jù)設計簡單但是高度可配置性的原則，因此我們可以看到，一個簡單的larbin的爬蟲可以每天獲取５００萬的網頁，非常高效。Heritri*開發(fā)語言：Java簡介與Nutch比較

Heritri*和Nutch。二者均為Java開源框架，Heritri*是SourceForge上的開源產品，Nutch為Apache的一個子項目，它們都稱作網絡爬蟲/蜘蛛（WebCrawler），它們實現(xiàn)的原理基本一致：深度遍歷的資源，將這些資源抓取到本地，使用的方法都是分析每一個有效的URI，并提交Http請求，從而獲得相應結果，生成本地文件及相應的日志信息等。

Heritri*是個"archivalcrawler"--用來獲取完整的、精確的、站點內容的深度復制。包括獲取圖像以及其他非文本內容。抓取并存儲相關的內容。對內容來者不拒，不對頁面進行內容上的修改。重新爬行對相同的URL不針對先前的進行替換。爬蟲通過Web用戶界面啟動、監(jiān)控、調整，允許彈性的定義要獲取的URL。二者的差異：Nutch只獲取并保存可索引的內容。Heritri*則是照單全收。力求保存頁面原貌Nutch可以修剪內容，或者對內容格式進行轉換。Nutch保存內容為數(shù)據(jù)庫優(yōu)化格式便于以后索引；刷新替換舊的內容。而Heritri*是添加(追加)新的內容。Nutch從命令行運行、控制。Heritri*有Web控制管理界面。Nutch的定制能力不夠強，不過現(xiàn)在已經有了一定改進。Heritri*可控制的參數(shù)更多。Heritri*提供的功能沒有nutch多，有點整站下載的味道。既沒有索引又沒有解析，甚至對于重復爬取URL都處理不是很好。Heritri*的功能強大但是配置起來卻有點麻煩。三者的比較一、從功能方面來說，Heritri*與Larbin的功能類似。都是一個純粹的網絡爬蟲，提供的鏡像下載。而Nutch是一個網絡搜索引擎框架，爬取網頁只是其功能的一部分。二、從分布式處理來說，Nutch支持分布式處理，而另外兩個好像尚且還沒有支持。三、從爬取的網頁存儲方式來說，Heritri*和Larbin都是將爬取下來的內容保存為原始類型的內容。而Nutch是將內容保存到其特定格式的segment中去。四，對于爬取下來的內容的處理來說，Heritri*和Larbin都是將爬取下來的內容不經處理直接保存為原始內容。而Nutch對文本進行了包括分析、正文提取、建立索引（Lucene索引）等處理。五，從爬取的效率來說，Larbin效率較高，因為其是使用c++實現(xiàn)的并且功能單一。表3種爬蟲的比較crawler開發(fā)語言功能單一支持分布式爬取效率鏡像保存NutchJava×√低×LarbinC++√×高√Heritri*Java√×中√其他網絡爬蟲介紹：Heritri*Heritri*是一個開源，可擴展的web爬蟲項目。Heritri*設計成嚴格按照robots.t*t文件的排除指示和METArobots標簽。WebSPHIN*

WebSPHIN*是一個Java類包和Web爬蟲的交互式開發(fā)環(huán)境。Web爬蟲(也叫作機器人或蜘蛛)是可以自動瀏覽與處理Web頁面的程序。WebSPHIN*由兩部分組成：爬蟲工作平臺和WebSPHIN*類包。./~rcm/websphin*/WebLech

WebLech是一個功能強大的Web站點下載與鏡像工具。它支持按功能需求來下載web站點并能夠盡可能模仿標準Web瀏覽器的行為。WebLech有一個功能控制臺并采用多線程操作。Arale

Arale主要為個人使用而設計，而沒有像其它爬蟲一樣是關注于頁面索引。Arale能夠下載整個web站點或來自web站點的*些資源。Arale還能夠把動態(tài)頁面映射成靜態(tài)頁面。J-Spider

J-Spider:是一個完全可配置和定制的WebSpider引擎.你可以利用它來檢查的錯誤(內在的服務器錯誤等),內外部檢查，分析的結構(可創(chuàng)建一個地圖),下載整個Web站點，你還可以寫一個JSpider插件來擴展你所需要的功能。spindle

spindle是一個構建在Lucene工具包之上的Web索引/搜索工具.它包括一個用于創(chuàng)建索引的HTTPspider和一個用于搜索這些索引的搜索類。spindle項目提供了一組JSP標簽庫使得那些基于JSP的站點不需要開發(fā)任何Java類就能夠增加搜索功能。.bitmechanic./projects/spindle/Arachnid

Arachnid:是一個基于Java的webspider框架.它包含一個簡單的HTML剖析器能夠分析包含HTML內容的輸入流.通過實現(xiàn)Arachnid的子類就能夠開發(fā)一個簡單的Webspiders并能夠在Web站上的每個頁面被解析之后增加幾行代碼調用。Arachnid的下載包中包含兩個spider應用程序例子用于演示如何使用該框架。LARM

LARM能夠為JakartaLucene搜索引擎框架的用戶提供一個純Java的搜索解決方案。它包含能夠為文件，數(shù)據(jù)庫表格建立索引的方法和為Web站點建索引的爬蟲。JoBo

JoBo是一個用于下載整個Web站點的簡單工具。它本質是一個WebSpider。與其它下載工具相比較它的主要優(yōu)勢是能夠自動填充form(如：自動登錄)和使用cookies來處理session。JoBo還有靈活的下載規(guī)則(如：通過網頁的URL，大小，MIME類型等)來限制下載。./software/jobo/inde*.htmlsnoics-reptile

snoics-reptile是用純Java開發(fā)的，用來進行鏡像抓取的工具，可以使用配制文件中提供的URL入口，把這個所有的能用瀏覽器通過GET的方式獲取到的資源全部抓取到本地，包括網頁和各種類型的文件，如：圖片、flash、mp3、zip、rar、e*e等文件。可以將整個完整地下傳至硬盤內，并能保持原有的結構精確不變。只需要把抓取下來的放到web服務器(如：Apache)中，就可以實現(xiàn)完整的鏡像。./snoicsWeb-Harvest

Web-Harvest是一個Java開源Web數(shù)據(jù)抽取工具。它能夠收集指定的Web頁面并從這些頁面中提取有用的數(shù)據(jù)。Web-Harvest主要是運用了像*SLT,*Query,正則表達式等這些技術來實現(xiàn)對te*t/*ml的操作。spiderpy

spiderpy是一個基于Python編碼的一個開源web爬蟲工具，允許用戶收集文件和搜索，并有一個可配置的界面。TheSpiderWebNetwork*oopsModTeam

piderWebNetwork*oopsMod是一個*oops下的模塊，完全由PHP語言實現(xiàn)。.tswn./larbin

larbin是個基于C++的web爬蟲工具，擁有易于操作的界面，不過只能跑在LINU*下，在一臺普通PC下larbin每天可以爬5百萬個頁面(當然啦，需要擁有良好的網絡)

爬蟲存在的問題1.robots.t*trobots.t*t是一個純文本文件，在這個文件中管理者可以聲明該中不想被robots訪問的部分，或者指定搜索引擎只收錄指定的內容。當一個搜索機器人（有的叫搜索蜘蛛）訪問一個站點時，它會首先檢查該站點根目錄下是否存在robots.t*t，如果存在，搜索機器人就會按照該文件中的內容來確定訪問的*圍；如果該文件不存在，則搜索機器人就沿著抓取。另外，robots.t*t必須放置在一個站點的根目錄下，而且文件名必須全部小寫。2.有些類型的網頁難以爬取。例如，使用javascript調用的頁面、需要注冊才能訪問的頁面等。網絡爬蟲的相關研究工作有些類型的網頁難以爬取。例如，使用javascript調用的頁面、需要注冊才能訪問的頁面等，對于這些網絡的爬取被歸結為深層網絡的挖掘。這些網頁可歸結為如下幾類：（1）通過填寫表單形成對后臺再現(xiàn)數(shù)據(jù)庫查詢得到的動態(tài)頁面。（2）由于缺乏被指向的超而沒有被索引到的頁面。（3）需要注冊或其他限制訪問的頁面。（4）可訪問的非網頁文件。在曾偉輝等人的文章中，對這類問題進行了綜述。在王映等人的文章中，提出了使用一個嵌入式的JavaScript引擎來進行動態(tài)網頁采集的方法。1.有些非靜態(tài)的Web2.0的內容動態(tài)生成，數(shù)據(jù)量巨大，難以抓取，例如論壇等。在2008年SIGIR中，YidaWang等提出了一種爬取論壇的爬取方法。2.有些會限制網絡爬蟲的爬取，AnaliaG.Lourenco,

OrlandoO.Belo在2006年提出來使用查詢日志的方法限制網絡爬蟲的活動以減輕服務器壓力。3.網絡上的網頁數(shù)量太大，在爬取時需要考慮爬取的時間及效率等問題，UCLA的JunghooCho等提出了使用并行的crawler的方法。4.主題網絡爬蟲研究未來研究方向分布式網絡爬蟲并行網絡爬蟲特定領域如論壇，博客等的爬取關于Aja*技術的深層網絡爬蟲研究。多媒體網絡爬蟲研究對等網絡（P2P,PeertoPeer）網絡爬蟲參考文獻：[1]謝國強等，《基于Web的網絡爬蟲技術研究》[2]YidaWangetc.E*ploringTraversalStrategyforWebForumCrawling,sigir’08[3]JunghooCho(UCLA),HectorGarcia-Molina(Standford),ParallelCrawlers,2002[4]AnaliaLourencoetc,CatchingWebCrawlersintheAct,ICWE’06[5]曾偉輝等，《深層網絡爬蟲研究綜述》，計算機系統(tǒng)應用2008年第5期[6]王映、于滿泉等，《JavaScript引擎在動態(tài)網頁采集技術中的應用》，中科院計算所、微軟亞洲研究院網絡爬蟲調研報告基本原理Spider概述Spider即網絡爬蟲,其定義有廣義和狹義之分。狹義上指遵循標準的http協(xié)議利用超和Web文檔檢索的方法遍歷萬維網信息空間的軟件程序;而廣義的定義則是所有能遵循h(huán)ttp協(xié)議檢索Web文檔的軟件都稱之為網絡爬蟲。Spider是一個功能很強的自動提取網頁的程序,它為搜索引擎從萬維網上下載網頁,是搜索引擎的重要組成.它通過請求站點上的HTML文檔訪問*一站點。它遍歷Web空間,不斷從一個站點移動到另一個站點,自動建立索引,并加入到網頁數(shù)據(jù)庫中。網絡爬蟲進入*個超級文本時,它利用HTML語言的標記結構來搜索信息及獲取指向其他超級文本的URL地址,可以完全不依賴用戶干預實現(xiàn)網絡上的自動爬行和搜索。Spider的隊列（1）等待隊列:新發(fā)現(xiàn)的URL被加入到這個隊列,等待被Spider程序處理;（2）處理隊列:要被處理的URL被傳送到這個隊列。為了避免同一個URL被多次處理,當一個URL被處理過后,它將被轉移到完成隊列或者錯誤隊列(如果發(fā)生錯誤)。（3）錯誤隊列:如果在下載網頁是發(fā)生錯誤,該URL將被加入到錯誤隊列。（4）完成隊列:如果在處理網頁沒有發(fā)生錯誤,該URL將被加入到完成隊列。網絡爬蟲搜索策略在抓取網頁的時候,目前網絡爬蟲一般有兩種策略:無主題搜索與基于*特定主體的專業(yè)智能搜索。其中前者主要包括:廣度優(yōu)先和深度優(yōu)先。廣度優(yōu)先是指網絡爬蟲會先抓取起始網頁中的所有網頁,然后再選擇其中的一個網頁,繼續(xù)抓取在此網頁中的所有網頁。這是最常用的方式,因為這個方法可以讓網絡爬蟲并行處理,提高其抓取速度。深度優(yōu)先是指網絡爬蟲會從起始頁開始,一個一個跟蹤下去,處理完這條線路之后再轉入下一個起始頁,繼續(xù)跟蹤。這個方法有個優(yōu)點是網絡爬蟲在設計的時候比較容易。大多數(shù)網頁爬行器采用寬度優(yōu)先搜索策略或者是對這種策略的*些改進。在專業(yè)搜索引擎中,網絡爬蟲的任務是獲取Web頁面和決定的訪問順序,它通常從一個"種子集”(如用戶查詢、種子或種子頁面)發(fā),以迭代的方式訪問頁面和提取。搜索過程中,未訪問的被暫存在一個稱為"搜索前沿”(SpiderFrontier)的隊列中,網絡爬蟲根據(jù)搜索前沿中的"重要程度”決定下一個要訪問的。如何評價和預測的"重要程度”(或稱價值)是決定網絡爬蟲搜索策略的關鍵。眾多的網絡爬蟲設計各不相同,但歸根結底是采用不同的價值評價標準。常用開源網絡爬蟲介紹及其比較Nutch開發(fā)語言：Java簡介：Apache的子項目之一，屬于Lucene項目下的子項目。Nutch是一個基于Lucene，類似Google的完整網絡搜索引擎解決方案，基于Hadoop的分布式處理模型保證了系統(tǒng)的性能，類似Eclipse的插件機制保證了系統(tǒng)的可客戶化，而且很容易集成到自己的應用之中。Larbin開發(fā)語言：C++簡介larbin是一種開源的網絡爬蟲/網絡蜘蛛，由法國的年輕人SébastienAilleret獨立開發(fā)。larbin目的是能夠跟蹤頁面的url進行擴展的抓取，最后為搜索引擎提供廣泛的數(shù)據(jù)來源。Larbin只是一個爬蟲，也就是說larbin只抓取網頁，至于如何parse的事情則由用戶自己完成。另外，如何存儲到數(shù)據(jù)庫以及建立索引的事情larbin也不提供。latbin最初的設計也是依據(jù)設計簡單但是高度可配置性的原則，因此我們可以看到，一個簡單的larbin的爬蟲可以每天獲取５００萬的網頁，非常高效。Heritri*開發(fā)語言：Java簡介與Nutch比較Heritri*和Nutch。二者均為Java開源框架，Heritri*是SourceForge上的開源產品，Nutch為Apache的一個子項目，它們都稱作網絡爬蟲/蜘蛛（WebCrawler），它們實現(xiàn)的原理基本一致：深度遍歷的資源，將這些資源抓取到本地，使用的方法都是分析每一個有效的URI，并提交Http請求，從而獲得相應結果，生成本地文件及相應的日志信息等。

Heritri*是個"archivalcrawler"用來獲取完整的、精確的、站點內容的深度復制。包括獲取圖像以及其他非文本內容。抓取并存儲相關的內容。對內容來者不拒，不對頁面進行內容上的修改。重新爬行對相同的URL不針對先前的進行替換。爬蟲通過Web用戶界面啟動、監(jiān)控、調整，允許彈性的定義要獲取的URL。二者的差異：Nutch只獲取并保存可索引的內容。Heritri*則是照單全收。力求保存頁面原貌Nutch可以修剪內容，或者對內容格式進行轉換。Nutch保存內容為數(shù)據(jù)庫優(yōu)化格式便于以后索引；刷新替換舊的內容。而Heritri*是添加(追加)新的內容。Nutch從命令行運行、控制。Heritri*有Web控制管理界面。Nutch的定制能力不夠強，不過現(xiàn)在已經有了一定改進。Heritri*可控制的參數(shù)更多。Heritri*提供的功能沒有nutch多，有點整站下載的味道。既沒有索引又沒有解析，甚至對于重復爬取URL都處理不是很好。Heritri*的功能強大但是配置起來卻有點麻煩。三者的比較一、從功能方面來說，Heritri*與Larbin的功能類似。都是一個純粹的網絡爬蟲，提供的鏡像下載。而Nutch是一個網絡搜索引擎框架，爬取網頁只是其功能的一部分。二、從分布式處理來說，Nutch支持分布式處理，而另外兩個好像尚且還沒有支持。三、從爬取的網頁存儲方式來說，Heritri*和Larbin都是將爬取下來的內容保存為原始類型的內容。而Nutch是將內容保存到其特定格式的segment中去。四，對于爬取下來的內容的處理來說，Heritri*和Larbin都是將爬取下來的內容不經處理直接保存為原始內容。而Nutch對文本進行了包括分析、正文提取、建立索引（Lucene索引）等處理。五，從爬取的效率來說，Larbin效率較高，因為其是使用c++實現(xiàn)的并且功能單一。表3種爬蟲的比較crawler開發(fā)語言功能單一支持分布式爬取效率鏡像保存NutchJava×√低×LarbinC++√×高√Heritri*Java√×中√其他網絡爬蟲介紹：Heritri*

Heritri*是一個開源，可擴展的web爬蟲項目。Heritri*設計成嚴格按照robots.t*t文件的排除指示和METArobots標簽。WebSPHIN*

WebSPHIN*是一個Java類包和Web爬蟲的交互式開發(fā)環(huán)境。Web爬蟲(也叫作機器人或蜘蛛)是可以自動瀏覽與處理Web頁面的程序。WebSPHIN*由兩部分組成：爬蟲工作平臺和WebSPHIN*類包。./~rcm/websphin*/WebLech

WebLech是一個功能強大的Web站點下載與鏡像工具。它支持按功能需求來下載web站點并能夠盡可能模仿標準Web瀏覽器的行為。WebLech有一個功能控制臺并采用多線程操作。Arale

Arale主要為個人使用而設計，而沒有像其它爬蟲一樣是關注于頁面索引。Arale能夠下載整個web站點或來自web站點的*些資源。Arale還能夠把動態(tài)頁面映射成靜態(tài)頁面。J-Spider

J-Spider:是一個完全可配置和定制的WebSpider引擎.你可以利用它來檢查的錯誤(內在的服務器錯誤等),內外部檢查，分析的結構(可創(chuàng)建一個地圖),下載整個Web站點，你還可以寫一個JSpider插件來擴展你所需要的功能。spindle

spindle是一個構建在Lucene工具包之上的Web索引/搜索工具.它包括一個用于創(chuàng)建索引的HTTPspider和一個用于搜索這些索引的搜索類。spindle項目提供了一組JSP標簽庫使得那些基于JSP的站點不需要開發(fā)任何Java類就能夠增加搜索功能。.bitmechanic./projects/spindle/Arachnid

Arachnid:是一個基于Java的webspider框架.它包含一個簡單的HTML剖析器能夠分析包含HTML內容的輸入流.通過實現(xiàn)Arachnid的子類就能夠開發(fā)一個簡單的Webspiders并能夠在Web站上的每個頁面被解析之后增加幾行代碼調用。Arachnid的下載包中包含兩個spider應用程序例子用于演示如何使用該框架。LARM

LARM能夠為JakartaLucene搜索引擎框架的用戶提供一個純Java的搜索解決方案。它包含能夠為文件，數(shù)據(jù)庫表格建立索引的方法和為Web站點建索引的爬蟲。JoBo

JoBo是一個用于下載整個Web站點的簡單工具。它本質是一個WebSpider。與其它下載工具相比較它的主要優(yōu)勢是能夠自動填充form(如：自動登錄)和使用cookies來處理session。JoBo還有靈活的下載規(guī)則(如：通過網頁的URL，大小，MIME類型等)來限制下載。./software/jobo/inde*.htmlsnoics-reptile

snoics-reptile是用純Java開發(fā)的，用來進行鏡像抓取的工具，可以使用配制文件中提供的URL入口，把這個所有的能用瀏覽器通過GET的方式獲取到的資源全部抓取到本地，包括網頁和各種類型的文件，如：圖片、flash、mp3、zip、rar、e*e等文件。可以將整個完整地下傳至硬盤內，并能保持原有的結構精確不變。只需要把抓取下來的放到web服務器(如：Apache)中，就可以實現(xiàn)完整的鏡像。./snoicsWeb-Harvest

Web-Harvest是一個Java開源Web數(shù)據(jù)抽取工具。它能夠收集指定的Web頁面并從這些頁面中提取有用的數(shù)據(jù)。Web-Harvest主要是運用了像*SLT,*Query,正則表達式等這些技術來實現(xiàn)對te*t/*ml的操作。spiderpy

spiderpy是一個基于Python編碼的一個開源web爬蟲工具，允許用戶收集文件和搜索，并有一個可配置的界面。TheSpiderWebNetwork*oopsModTeam

piderWebNetwork*oopsMod是一個*oops下的模塊，完全由PHP語言實現(xiàn)。.tswn./Fetchgals

Fetchgals是一個基于perl多線程的Web爬蟲，通過Tags來搜索**圖片。/projects/fetchgalslarbin

larbin是個基于C++的web爬蟲工具，擁有易于操作的界面，不過只能跑在LINU*下，在一臺普通PC下larbin每天可以爬5百萬個頁面(當然啦，需要擁有良好的網絡)

爬蟲存在的問題1.robots.t*t

robots.t*t是一個純文本文件，在這個文件中管理者可以聲明該中不想被robots訪問的部分，或者指定搜索引擎