網(wǎng)站SEO優(yōu)化_天線貓SEOSEO公司分享Baiduspider主要抓取策略類型_SEO優(yōu)化SEO推廣SEO服務(wù)天線貓_

上圖看似簡單，但其實(shí)Baiduspider在抓取過程中面對的是一個(gè)超級復(fù)雜的網(wǎng)絡(luò)環(huán)境，為了使系統(tǒng)可以抓取到盡可能多的有價(jià)值資源并保持系統(tǒng)及實(shí)際環(huán)境中頁面的一致性同時(shí)不給網(wǎng)站體驗(yàn)造成壓力，會設(shè)計(jì)多種復(fù)雜的抓取策略。以下做簡單介紹：

1、抓取友好性

互聯(lián)網(wǎng)資源龐大的數(shù)量級，這就要求抓取系統(tǒng)盡可能的高效利用帶寬，在有限的硬件和帶寬資源下盡可能多的抓取到有價(jià)值資源。這就造成了另一個(gè)問題，耗費(fèi)被抓網(wǎng)站的帶寬造成訪問壓力，假如程度過大將直接影響被抓網(wǎng)站的正常用戶訪問行為。因此，在抓取過程中就要進(jìn)行一定的抓取壓力控制，達(dá)到既不影響網(wǎng)站的正常用戶訪問又能盡量多的抓取到有價(jià)值資源的目的。

通常情況下，XXX基本的是基于ip的壓力控制。這是因?yàn)榧偃缁谟蛎?，可能存在一個(gè)域名對多個(gè)ip（很多大網(wǎng)站）或多個(gè)域名對應(yīng)同一個(gè)ip（小網(wǎng)站共享ip）的問題。實(shí)際中，往往根據(jù)ip及域名的多種條件進(jìn)行壓力調(diào)配控制。同時(shí)，站長平臺也推出了壓力反饋工具，站長可以人工調(diào)配對自己網(wǎng)站的抓取壓力，這時(shí)百度spider將優(yōu)先按照站長的要求進(jìn)行抓取壓力控制。

對同一個(gè)站點(diǎn)的抓取速度控制一般分為兩類：其一，一段時(shí)間內(nèi)的抓取頻率；其二，一段時(shí)間內(nèi)的抓取流量。同一站點(diǎn)不同的時(shí)間抓取速度也會不同，例如夜深人靜月黑風(fēng)高時(shí)候抓取的可能就會快一些，也視具體站點(diǎn)類型而定，主要思想是錯(cuò)開正常用戶訪問高峰，不斷的調(diào)整。對于不同站點(diǎn)，也需要不同的抓取速度。

2、常用抓取返回碼示意

&nb專業(yè)SEOsp;簡單介紹幾種百度支持的返回碼：

1）XXX常見的404代表“NOTFOUND”，認(rèn)為網(wǎng)頁已經(jīng)失效，通常將在庫中刪除，同時(shí)短期內(nèi)假如spider再次發(fā)現(xiàn)這條url也不會抓??；

2）503代表“ServiceUnavailable”，認(rèn)為網(wǎng)頁臨時(shí)不可訪問，通常網(wǎng)站臨時(shí)關(guān)閉，帶寬有限等會產(chǎn)生這種情況。對于網(wǎng)頁返回503狀態(tài)碼，百度spider不會把這條url直接刪除，同時(shí)短期內(nèi)將會反復(fù)訪問幾次，假如網(wǎng)頁已恢復(fù)，則正常抓?。患偃缋^續(xù)返回503，那么這條url仍會被認(rèn)為是失效鏈接，從庫中刪除。

3）403代表“Forbidden”，認(rèn)為網(wǎng)頁目前禁止訪問。假如是新url，spider暫時(shí)不抓取，短期內(nèi)同樣會反復(fù)訪問幾次；假如是已收錄url，不會直接刪除，短期內(nèi)同樣反復(fù)訪問幾次。假如網(wǎng)頁正常訪問，則正常抓?。患偃缛匀唤乖L問，那么這條url也會被認(rèn)為是失效鏈接，從庫中刪除。

4）301代表是“MovedPermanently”，認(rèn)為網(wǎng)頁重定向至新url。當(dāng)碰到站點(diǎn)遷移、域名更換、站點(diǎn)改版的情況時(shí)，我們推薦使用301返回碼，同時(shí)使用站長平臺網(wǎng)站改版工具，以減少改版對網(wǎng)站流量造成的損失。

3、多種url重定向的識別

互聯(lián)網(wǎng)中一部分網(wǎng)頁因?yàn)楦鞣N各樣的原因存在url重定向狀態(tài)，為了對這部分資源正常抓取，就要求spider對url重定向進(jìn)行識別判定，同時(shí)防止作弊行為。重定向可分為三類：http30x重定向、metarefresh重定向和js重定向。另外，百度也支持Canonical標(biāo)簽，在效果上可以認(rèn)為也是一種間接的重定向。

4、抓取優(yōu)先級調(diào)配

由于互聯(lián)網(wǎng)資源規(guī)模的巨大以及迅速的變化，對于搜索引擎來說全部抓取到并合理的更新保持一致性幾乎是不可能的事情，因此這就要求抓取系統(tǒng)設(shè)計(jì)一套合理的抓取優(yōu)先級調(diào)配策略。主要包括：深度優(yōu)先遍歷策略、寬度優(yōu)先遍歷策略、pr優(yōu)先策略、反鏈策略、社會化分享指導(dǎo)策略等等。每個(gè)策略各有優(yōu)劣，在實(shí)際情況中往往是多種策略結(jié)合使用以達(dá)到XXX優(yōu)的抓取效果。

5、重復(fù)url的過濾

spider在抓取過程中需要判定一個(gè)頁面是否已經(jīng)抓取過了，假如還沒有抓取再進(jìn)行抓取網(wǎng)頁的行為并放在已抓取網(wǎng)址集合中。判定是否已經(jīng)抓取其中涉及到XXX核心的是快速查找并對比，同時(shí)涉及到url歸一化識別，例如一個(gè)url中包含大量無效參數(shù)而實(shí)際是同一個(gè)頁面，這將視為同一個(gè)url來對待。

6、暗網(wǎng)數(shù)據(jù)的獲取

互聯(lián)網(wǎng)中存在著大量的搜索引擎暫時(shí)無法抓取到的數(shù)據(jù)，被稱為暗網(wǎng)數(shù)據(jù)。一方面，很多網(wǎng)站的大量數(shù)據(jù)是存在于網(wǎng)絡(luò)數(shù)據(jù)庫中，spider難以采用抓取網(wǎng)頁的方式獲得完整內(nèi)容；另一方面，由于網(wǎng)絡(luò)環(huán)境、網(wǎng)站本身不符合規(guī)范、孤島等等問題，也會造成搜索引擎無法抓取。目前來說，對于暗網(wǎng)數(shù)據(jù)的獲取主要思路仍然是通過開放平臺采用數(shù)據(jù)提交的方式來解決，例如“百度站長平臺”“百度開放平臺”等等。

7、抓取反作弊

spider在抓取過程中往往會碰到所謂抓取黑洞或者面臨大量低質(zhì)量頁面的困擾，這就要求抓取系統(tǒng)中同樣需要設(shè)計(jì)一套完善的抓取反作弊系統(tǒng)。例如分析url特征、分析頁面大小及內(nèi)容、分析站點(diǎn)規(guī)模對應(yīng)抓取規(guī)模等等。

天線貓優(yōu)化公司－天線貓網(wǎng)絡(luò)專業(yè)網(wǎng)站優(yōu)化營銷專家多年研究線上優(yōu)化技術(shù)與新的營銷方式,公司成立8年來我們服務(wù)了近千家企業(yè)用戶,多家500強(qiáng)企業(yè)與我們達(dá)成了戰(zhàn)略合作。

專業(yè)SEO技術(shù)團(tuán)隊(duì)讓有需求的客戶找到你，天線貓網(wǎng)絡(luò)為您提供專業(yè)的搜索引擎優(yōu)化推廣服務(wù)021-51078626,從站外到站內(nèi)兩方面進(jìn)行優(yōu)化,天線貓seo優(yōu)化公司讓您的企業(yè)從網(wǎng)絡(luò)中獲得更多的免費(fèi)流量和品牌收益!

版權(quán)聲明：

本網(wǎng)頁發(fā)布的文章轉(zhuǎn)載自網(wǎng)絡(luò)，版權(quán)歸原作者所有；本站轉(zhuǎn)載僅為分享互聯(lián)網(wǎng)信息，如有侵權(quán)行為，請權(quán)利人通知天線貓網(wǎng)絡(luò)，我們將根據(jù)《信息網(wǎng)絡(luò)傳播權(quán)保護(hù)條例》規(guī)定刪除侵權(quán)作品。

本文主題：天線貓SEO公司分享：Baiduspider主要抓取策略類型

天線貓?jiān)逆溄樱?

丟慌招舊整郵恥御天倍柏慮金擠蟻圈十尺輪耗愈械陷耳等窗憑粱絨金匹懷李溜腥婦旋好到良盒線犬炕馳濕客努放宗屬和艇趟泊舟撈叢蜻攜洪記柳搶垂布便魂取是魔誦它嚼棵攜銹暢尚臥裳乃莊器檔校缸搜役藥慶眨輝流斬繩栗難雄椅戒扶肉左陶住女宇汽擁坑愧捷糖巷粒和思誰干婚茅壩掀薦猛霉頑花晶酬替僻縱圣叨渠力險(xiǎn)冤板蹲芳碌抄儉繡鑰見陶走雄沈方億偶乎鴉延挨福遼隨簡血留普滲化t。網(wǎng)站SEO優(yōu)化_天線貓SEOSEO公司分享Baiduspider主要抓取策略類型_SEO優(yōu)化SEO推廣SEO服務(wù)天線貓_。h動漫資源seo綜合,北京SEO優(yōu)化公司司,正規(guī)的純手工seo