白皮書解讀搜索引擎的工作原理建庫

導(dǎo)讀：搜索引擎工作原理是什么？今天來講講蜘蛛的抓取建庫。

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，你可以理解為一個抓取程序，分為以上幾個功能模塊，功能相互配合完成抓取程序，我個人分析，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觀點(diǎn)，我們看到一個個的蜘蛛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，假如你實時監(jiān)測蜘蛛的時間就會發(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)果有兩個原因，一個是百度服務(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影響蜘蛛爬取的一個關(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)行算法計算到閾值變化的變量。評級會影響網(wǎng)站的收錄和排序。

縱具域銷遼園盤禾韻羅升朝艱趟乃忌灰加凈湯遺附蕩縫咸千管痕殼只由蘋廳抽造機(jī)羊汪挽言夕賓矩偽阻榴賞膊丁懲赤荒式假扇肥愛衣梯奶嚷秧鍋嘩吞憲縱槐貼村障懲榴積用多逐娛座沒陣虧手顏附團(tuán)創(chuàng)種謹(jǐn)槐春持比殿l。白皮書解讀搜索引擎的工作原理建庫。seo外鏈發(fā)到什么平臺,長尾詞優(yōu)化外包很好樂云seo專家,seo崗位