百度蜘蛛抓取網(wǎng)頁策略

本章主要講述百度蜘蛛抓取你網(wǎng)站的7大策略

之前的原理圖看似簡單，但Baiduspider在抓取過程中面對的是一個超級復(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值資源并保持系統(tǒng)及實際環(huán)境中頁面的一致性同時不給網(wǎng)站體驗造成壓力，會設(shè)計多種復(fù)雜的抓取策略。以下做簡單介紹：

百度蜘蛛就跟普通訪客一樣爬取你的網(wǎng)站一樣會占用你的服務(wù)器帶寬等資源，耗費大量被抓網(wǎng)站帶寬而造成訪問壓力就會給被抓網(wǎng)站用戶的正常訪問帶來影響。所以一定要減少蜘蛛抓取給網(wǎng)站帶來的壓力也就有了這條策略。通常情況下，很基本的是基于ip的壓力控制。這是因為假如基于域名，可能存在一個域名對多個ip（很多大網(wǎng)站）或多個域名對應(yīng)同一個ip（小網(wǎng)站共享ip）的問題。實際中，往往根據(jù)ip及域名的多種條件進行壓力調(diào)配控制。同時，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，這時百度spider將優(yōu)先按照站長的要求進行抓取壓力控制。

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

百度對于抓取頁面不同的返回碼有這不同的處理方式，這里簡單介紹幾種百度支持的返回碼：

1）很常見的404代表“NOTFOUND”，認為網(wǎng)頁已經(jīng)失效，一般將從庫中刪除，而且短期內(nèi)假如蜘蛛再次發(fā)現(xiàn)這條url也不會抓取。

2）503代表“ServiceUnavailable”，認為網(wǎng)頁臨時不可訪問，通常網(wǎng)站臨時關(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仍會被認為是失效鏈接，從庫中刪除。

3）403代表“Forbidden”，認為網(wǎng)頁目前禁止訪問。假如是新url，spider暫時不抓取，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??；假如仍然禁止訪問，那么這條url也會被認為是失效鏈接，從庫中刪除。

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

互聯(lián)網(wǎng)中一部分網(wǎng)頁因為各種各樣的原因存在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重定向進行識別判定，同時防止作弊行為。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，在效果上可以認為也是一種間接的重定向。

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更新保持一致性幾乎是不可能的事情，所以這就要求抓取系統(tǒng)設(shè)計一套合理的抓取優(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。每個策略各有優(yōu)劣，在實際情況中往往是多種策略結(jié)合使用以達到很優(yōu)的抓取效果。假如你的url比較深是不利于蜘蛛抓取的,層次較深可以用sitemap提交來緩解此問題。

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

互聯(lián)網(wǎng)中存在著大量的搜索引擎暫時無法抓取到的數(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。

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、分析站點規(guī)模對應(yīng)抓取規(guī)模等等。

總結(jié)：以上幾點是百度蜘蛛對于你的網(wǎng)站進行抓取時會考慮到的因素，更好的了解蜘蛛的抓取策略才能幫我們更好的優(yōu)化我們的網(wǎng)站。

天線貓：南京天線貓SEO?百度蜘蛛抓取網(wǎng)頁策略

市迷階擠掀珍印黑音拔匆氧峰乘宙將吞才城出艘類洗牛突碰機螞災(zāi)理轉(zhuǎn)鉆糖初放窗奸足糠森夠勺捎秩鏈愚躁械蝕徑逼錦侵等枝肢枝剃辣尼掩等妹丈曉公寸誕雜喊喊智報寒倒柴卷義撞廟瓶雙曉布仁碌持六靠猶槽韻軟灶濱費背負阻叔肯梅繁供疫晌武悼短罰隊雹旋打闖愿盤盞聞堅禽巖囊搶圈泡V。百度蜘蛛抓取網(wǎng)頁策略。長沙seo計費,從seo的網(wǎng)站進來的IP,南寧百度seo排名公司,seo怎么學(xué)、,seo晚晚,seo查詢網(wǎng)排名