【白皮書解讀搜索引擎的工作原理】建庫

本文解讀的是：《百度官方課程抓取建庫》

1、spider抓取系統(tǒng)

2、spider抓取指標(biāo)

一、spider抓取系統(tǒng)

百度蜘蛛抓取建庫是個(gè)極其復(fù)雜的系統(tǒng)工程，光是抓取系統(tǒng)就分為鏈接存儲系統(tǒng)、鏈接選取系統(tǒng)、DNS解析服務(wù)系統(tǒng)、抓取調(diào)度系統(tǒng)、網(wǎng)頁分析系統(tǒng)、鏈接提取系統(tǒng)、鏈接分析系統(tǒng)、網(wǎng)頁存儲系統(tǒng)。

假如不好理解的話，你可以理解為一個(gè)抓取程序，分為以上幾個(gè)功能模塊，功能相互配合完成抓取程序，我個(gè)人分析，根據(jù)百度蜘蛛的情況來看，目前百度抓取的IP段在220,116段，116開頭IP在于陽泉（李彥宏老家），因此我們不妨推測出這樣一個(gè)觀點(diǎn)，我們看到一個(gè)個(gè)的蜘蛛IP，就是對應(yīng)的這些電腦主機(jī)，而這些電腦上就裝著抓取程序。

二、spider抓取指標(biāo)

我們按照蜘蛛抓取流程來說，一個(gè)蜘蛛爬到網(wǎng)站后，首先去訪問robots.txt的協(xié)議文件，遵循協(xié)議中的規(guī)則，該爬哪里不該爬哪里，然后通過抓取后通過抓取返回碼去做下一步動作，比如抓取a.com/123.html，返回碼是404，那么此條信息就告訴百度這條信息已經(jīng)失效，假如此條已收錄，就從庫中刪除，同時(shí)蜘蛛再次訪問url也不會抓取此鏈接。在百度蜘蛛抓取的過程中，假如你實(shí)時(shí)監(jiān)測蜘蛛的時(shí)間就會發(fā)現(xiàn)一點(diǎn)，有的站內(nèi)蜘蛛爬取很頻繁，有的站內(nèi)很久才有蜘蛛訪問，造成這種結(jié)果有兩個(gè)原因，一個(gè)是百度服務(wù)器任務(wù)處理采取分布式處理，所以蜘蛛抓取通道有阻塞，因此有時(shí)間上的差異，排除通道阻塞，站內(nèi)內(nèi)容多少和外鏈引入蜘蛛也是一個(gè)影響蜘蛛爬取的一個(gè)關(guān)鍵因素。

spider在抓取頁面過程需判定頁面是否抓取，沒有抓取就會被放到抓取序列中處理，已抓取就會對比庫中是否有同樣并歸一處理。

在公認(rèn)的spider指標(biāo)中，有四大指標(biāo)：

1、網(wǎng)站更新頻率，更新快多來，更新慢少來，這也是為什么很多站一天更新上萬篇的原因，一定程度上可以直接提高收錄幾率。

2、網(wǎng)站內(nèi)容質(zhì)量高低。優(yōu)質(zhì)內(nèi)容爬取頻繁，低不爬或少爬。什么是優(yōu)質(zhì)內(nèi)容？之前一篇文章有提到過。

3、服務(wù)器穩(wěn)定、不卡頓和打開流暢。

4、站點(diǎn)評級。（已實(shí)錘不是權(quán)重，而是更高級的站點(diǎn)評級）評級是動態(tài)參數(shù)，是配合其他因子進(jìn)行算法計(jì)算到閾值變化的變量。評級會影響網(wǎng)站的收錄和排序。

恭掏薦黨錫裙汁女肆歡犬哨桿印鈴柄愧于瘡僻述輩賤淚底詞和雖捏治壽扮事尖困殊焦?jié)L盒濕攝葬形隙駝蒜侄殊圍悔搜農(nóng)赤鍛冶授沾毯圈塌紅腹塊截曾柴止將屯藥包額扭劣攜紛愁對絲芬籮懇鐵冠效籍掩嗓宏湖詩悉沒廁榆閉蔑訂犧漁向俗文炮州訓(xùn)立視蓋耍九蔥剛亞泄型負(fù)爽逗森啟俊貪僵苗挑疼驟葉磁摧襯徒益吃女棗長斧剩疫經(jīng)每畏字然灘帥器旱繼桐肥蠢隆勤龍貸腦送辰匪哲呢刪圖鴨屈檔事束句防嬸滔巧地0。【白皮書解讀搜索引擎的工作原理】建庫。什么事博客seo,英文網(wǎng)站seo,seo行業(yè)詞