網(wǎng)絡(luò)資源數(shù)量巨大，種類(lèi)多樣。任何搜索引擎要采集所有的網(wǎng)絡(luò)資源，既不可能，也沒(méi)有必要。如何根據(jù)鏈接結(jié)構(gòu)及對(duì)網(wǎng)絡(luò)數(shù)據(jù)的分析確定適用的訪(fǎng)問(wèn)策略，是信息采集的關(guān)鍵。常見(jiàn)的訪(fǎng)問(wèn)策略包括常規(guī)遍歷算法和優(yōu)化遍歷算法兩類(lèi)。

常規(guī)遍歷形式，通常包括廣度優(yōu)先算法、深度優(yōu)先算法、IP地址搜索策略等。

廣度優(yōu)先算法按照鏈接的層次進(jìn)行，在訪(fǎng)問(wèn)完一個(gè)層次后再進(jìn)行下一層次的訪(fǎng)問(wèn)，如此由淺入深、逐級(jí)進(jìn)行。這一算法可以增加訪(fǎng)問(wèn)的廣度，使得多個(gè)服務(wù)器的上層資源得到采集，但鏈接結(jié)構(gòu)中層次較后的有價(jià)值資源往往難于獲得。

深度優(yōu)先算法從起始頁(yè)面出發(fā)，沿頁(yè)面上的某一個(gè)鏈接進(jìn)行搜索，逐級(jí)深入，一直到達(dá)底層網(wǎng)頁(yè)，才返回起始頁(yè)，選擇其他鏈接進(jìn)行類(lèi)似的訪(fǎng)問(wèn)。這種算法可以遍歷一個(gè)站點(diǎn)F的深層頁(yè)面，但會(huì)影響它的遍歷廣度或遍歷的時(shí)間，有時(shí)還有陷入循環(huán)狀態(tài)的危險(xiǎn)。

IP地址搜索策略將訪(fǎng)問(wèn)限制在指定的IP地址范圍中，不考慮各文檔中指向其他站點(diǎn)的鏈接。這種算法能夠有針對(duì)性地對(duì)于特定領(lǐng)域的資源進(jìn)行采集，適合于按照特定目的編制的搜索引擎。

上述各種方式在實(shí)際使用中也可以根據(jù)需要，結(jié)合使用，例如將廣度優(yōu)先與深度優(yōu)先結(jié)合等。但一般情況下，這些常規(guī)遍歷形式通常只提供一般的訪(fǎng)問(wèn)算法，并不能優(yōu)化采集的質(zhì)量。要改進(jìn)采集質(zhì)量，應(yīng)當(dāng)按照使用的需要，選擇與系統(tǒng)有較高相關(guān)性且質(zhì)量比較高的網(wǎng)頁(yè)，并結(jié)合采用相應(yīng)的優(yōu)化采集算法。有些論文論述了網(wǎng)絡(luò)采集中常用的一些優(yōu)化算法，包括：

(1)興趣驅(qū)動(dòng)(Interest-driven)。即以用戶(hù)需求作為網(wǎng)頁(yè)采集的依據(jù)。通常依據(jù)檢索杏詢(xún)與網(wǎng)絡(luò)的匹配度確定，方法是依據(jù)選定的查詢(xún)?cè)~集作為網(wǎng)頁(yè)采集的依據(jù)，根據(jù)查詢(xún)?cè)~與網(wǎng)頁(yè)文本的匹配程度確定其相關(guān)性，同時(shí)結(jié)合該詞在整個(gè)網(wǎng)頁(yè)庫(kù)中的反文獻(xiàn)頻率(idf)，確定其重要性值。由于使用idf項(xiàng)需要的全局信息在采集過(guò)程中無(wú)法得到，可根據(jù)已采集到網(wǎng)頁(yè)的平均值或以過(guò)去數(shù)據(jù)的估算值加以代替。

(2)流行驅(qū)動(dòng)(Popularity-driven)。即判斷重要性程度或得到承認(rèn)的廣泛程度，方法是考察指向它的鏈接數(shù)量。采用這一方式，通常應(yīng)計(jì)算出網(wǎng)頁(yè)獲得的鏈接數(shù)量，并將這一數(shù)量作為是否采集的依據(jù)。更加全面地判定網(wǎng)頁(yè)重要性的方法，是使用Google的PageRank算法，同時(shí)計(jì)算鏈接該網(wǎng)頁(yè)的其他網(wǎng)頁(yè)的重要性，但這一方法需要涉及相關(guān)網(wǎng)頁(yè)的鏈接情況，在采集的情況下很難做到。

(3)網(wǎng)址驅(qū)動(dòng)(Location-driven)。即不是以?xún)?nèi)容，而是將網(wǎng)址作為判定網(wǎng)頁(yè)重要性的依據(jù)，包括，對(duì)特定域名賦予高值，進(jìn)行針對(duì)性采集；對(duì)于包含特定字串如"home"的地址賦予高值；選用帶有較少斜線(xiàn)的網(wǎng)址等。網(wǎng)址驅(qū)動(dòng)容易操作，在特定系統(tǒng)中也十分有用。例如在專(zhuān)業(yè)搜索引擎中，可以明確將選定的網(wǎng)站、域名作為網(wǎng)頁(yè)采集的邊界。

URL列表的排序控制是在采集控制器中進(jìn)行的，在未獲得網(wǎng)頁(yè)的情況下，網(wǎng)址驅(qū)動(dòng)是一個(gè)可以直接加以采用的方式，如北大天網(wǎng)在搜索中采用這一方法；但對(duì)于相關(guān)性判斷或重要性判斷，由于在訪(fǎng)問(wèn)過(guò)程中，不可能事先得到該網(wǎng)頁(yè)數(shù)據(jù)，一般只能利用采集器已采集的信息作為依據(jù)。例如，利用已采集網(wǎng)頁(yè)的鎖定文本(Anchor Text)來(lái)估計(jì)特定網(wǎng)頁(yè)可能包含的文本，甚至以“鄰近”網(wǎng)頁(yè)的文本作為評(píng)估依據(jù)等。某個(gè)文獻(xiàn)記錄了采用上述方法在有限范圍中試驗(yàn)的情況。一些論文討論了結(jié)合數(shù)據(jù)挖掘進(jìn)行采集優(yōu)化的問(wèn)題，但目前仍缺乏大型搜索引擎實(shí)際應(yīng)用的例子。