Обычно, когда натыкаешься на пиаристый ресурс типа блога, то трудно сразу определить, где там разложен ПР, кроме главной страницы. Помочь его найти может например такой сервис как PageRank search, его можно заставить выдать все странички с сайта, найденные гуглом, отсортированные по ПР. Но проблема с этим сервисом в том, что он выдаёт мало страниц и происходит двойная сортировка – сначала гугл выдаёт страницы по “релевантности”, а потом сайт сервиса пересортирует список по ПР. Из-за этого некоторые ценные страницы могут потеряться. Поэтому можно сделать свою собственную пиароискалку.
Алгоритм работы примерно такой - сначала на входе получаем 1 или несколько урлов, с которых надо начинать обход. Из этих урлов вычленяется часть, которая будет считаться “внутренней”, чтобы можно было откинуть внешние ссылки. Скачиваем урлы, парсим из них ссылки, откидываем внешние. Проверяем ПР, причём делаем это хитро, вычисляем “вес” урла, по числу ссылающихся на него других страниц, вероятность что у такого урла будет высокий ПР – больше. Выдаём юзеру список урлов отсортированный по пр, дальше в цикле переходим к скачиванию необработанных урлов. За 5-10 итераций таким способом можно вытянуть все пиаристые страинцы с любого небольшого сайта. За большее число итераций, можно распарсить всё, включая дигг, нетскейп и им подобные. :)

Обновление 2008-03-18

Пара сервисов, которые делают почти то что надо, правда они выдают только страницы известные гуглу на том же домене, что не совсем то:

1. http://www.seocompany.ca/tool/internal-page-rank.php 
2. http://www.livepr.info/internal-pages-page-rank3.php

Похожие посты