搜索引擎深度抓取(搜索引擎抓取查询)

前沿拓展:

搜索引擎深度抓取

  之前与大家分享了关于搜索引擎抓取系统中有关抓取系统基本框架、抓取中涉及的网络协议、抓取的基本过程的内容,今天将于大家分享搜索引擎抓取系统第二部分内容—spider抓取 过程中的策略 。

  spider在抓取过程中面对着复杂的网络环境,为了使系统可以抓取到尽可能多的有价值资源并保持系统及实际环境中页面的一致性同时不给网站体验造成压力,会设计多种复杂的抓取策略。以下简单介绍一下抓取过程中涉及到的主要策略类型:

  1、抓取友好性:抓取压力调配降低对网站的访问压力

  2、常用抓取返回码示意

  3、多种url重定向的识别

  4、抓取优先级调配

  5、重复url的过滤

  6、暗网数据的获取

  7、抓取反作弊

  8、提高抓取效率,高效利用带宽

  1、抓取友好性

  互联网资源庞大的数量级,这就要求抓取系统尽可能的高效利用带宽,在有限的硬件和带宽资源下尽可能多的抓取到有价值资源。这就造成了另一个问题,耗费被抓网站的带宽造成访问压力,如果程度过大将直接影响被抓网站的正常用户访问行为。因此,在抓取过程中就要进行一定的抓取压力控制,达到既不影响网站的正常用户访问又能尽量多的抓取到有价值资源的目的。

  通常情况下,最基本的是基于ip的压力控制。这是因为如果基于域名,可能存在一个域名对多个ip(很多大网站)或多个域名对应同一个ip(小网站共享ip)的问题。实际中,往往根据ip及域名的多种条件进行压力调配控制。同时,站长平台也推出了压力反馈工具,站长可以人工调配对自己网站的抓取压力,这时百度spider将优先按照站长的要求进行抓取压力控制。

  对同一个站点的抓取速度控制一般分为两类:其一,一段时间内的抓取频率;其二,一段时间内的抓取流量。同一站点不同的时间抓取速度也会不同,例如夜深人静月黑风高时候抓取的可能就会快一些,也视具体站点类型而定,主要思想是错开正常用户访问高峰,不断的调整。对于不同站点,也需要不同的抓取速度。

  2、常用抓取返回码示意

  简单介绍几种百度支持的返回码:

  1) 最常见的404代表“NOT FOUND”,认为网页已经失效,通常将在库中删除,同时短期内如果spider再次发现这条url也不会抓取;

  2) 503代表“Service Unavailable”,认为网页临时不可访问,通常网站临时关闭,带宽有限等会产生这种情况。对于网页返回503状态码,百度spider不会把这条 url直接删除,同时短期内将会反复访问几次,如果网页已恢复,则正常抓取;如果继续返回503,那么这条url仍会被认为是失效链接,从库中删除。

  3) 403代表“Forbidden”,认为网页目前禁止访问。如果是新url,spider暂时不抓取,短期内同样会反复访问几次;如果是已收录url,不会直接删除,短期内同样反复访问几次。如果网页正常访问,则正常抓取;如果仍然禁止访问,那么这条url也会被认为是失效链接,从库中删除。

  4)301 代表是“Moved Permanently”,认为网页重定向至新url。当遇到站点迁移、域名更换、站点改版的情况时,我们推荐使用301返回码,同时使用站长平台网站改版工具,以减少改版对网站流量造成的损失。

  3、多种url 重定向的识别

  互联网中一部分网页因为各种各样的原因存在url重定向状态,为了对这部分资源正常抓取,就要求spider对url重定向进行识别判断,同时防止作弊行为。重定向可分为三类:http 30x重定向、meta refresh重定向和js重定向。另外,百度也支持Canonical标签,在效果上可以认为也是一种间接的重定向。

  4、抓取优先级调配

  由于互联网资源规模的巨大以及迅速的变化,对于搜索引擎来说全部抓取到并合理的更新保持一致性几乎是不可能的事情,因此这就要求抓取系统设计一套合理的抓取优先级调配策略。主要包括:深度优先遍历策略、宽度优先遍历策略、pr优先策略、反链策略、社会化分享指导策略等等。每个策略各有优劣,在实际情况中往往是多种策略结合使用以达到最优的抓取效果。

  5、重复url 的过滤

  spider在抓取过程中需要判断一个页面是否已经抓取过了,如果还没有抓取再进行抓取网页的行为并放在已抓取网址集合中。判断是否已经抓取其中涉及到最核心的是快速查找并对比,同时涉及到url归一化识别,例如一个url中包含大量无效参数而实际是同一个页面,这将视为同一个url来对待。

  6、暗网数据的获取

  互联网中存在着大量的搜索引擎暂时无法抓取到的数据,被称为暗网数据。一方面,很多网站的大量数据是存在于网络数据库中,spider难以采用抓取网页的方式获得完整内容;另一方面,由于网络环境、网站本身不符合规范、孤岛等等问题,也会造成搜索引擎无法抓取。目前来说,对于暗网数据的获取主要思路仍然是通过开放平台采用数据提交的方式来解决,例如“百度站长平台”“百度开放平台”等等。

  7、抓取反作弊

  spider在抓取过程中往往会遇到所谓抓取黑洞或者面临大量低质量页面的困扰,这就要求抓取系统中同样需要设计一套完善的抓取反作弊系统。例如分析url特征、分析页面大小及内容、分析站点规模对应抓取规模等等。

  以上简单介绍了抓取过程中涉及到的主要策略,每一个策略中都包含很多细节内容,可能对于一个网站的抓取都会产生影响。大家对哪部分有疑问可以直接提出来,我们一起来探讨。

        注:更多精彩教程请关注三联建站教程栏目


从事网站运营,搜索引擎优化工作的运营人员都知道我们做网站运营就是要迎合用户,不断地提升用户体验度和迎合搜索引擎,只有用户和搜索引擎都喜欢的网站才能算是一个成功的网站!在SEO工作中,有的时候很少有人去关心搜索引擎蜘蛛是如何工作的,但对于SEO人而言,我们有必要了解搜索引擎蜘蛛的工作原理。

搜索引擎蜘蛛的工作原理,如何吸引蜘蛛

搜索引擎蜘蛛是什么?

搜索引擎用来爬行和访问页面的程序被称为蜘蛛(spider),也叫机器人(bot)。蜘蛛其实就是搜索引擎的手下,搜索引擎命令它到互联网上浏览网页,从而得到互联网的所有数据,然后把这些数据存到搜索引擎自己的数据库中。当然了,这个数据库是相当强大的。

搜索引擎蜘蛛爬行原理?

搜索引擎蜘蛛分为三种级别,他们分别具有不同的权限,下面我们就来解析下

1、初级蜘蛛

初级蜘蛛一般爬行的是新站,爬行深度低,抓取到网页内容后,会一级一级地提交到搜索引擎数据库,先把数据存放起来,然后过几天在来爬行,直到搜索引擎认为爬行抓取到的内容有价值才会被放出来,这也是为什么新站都有一个考核期(沙盒期)因为都是初级蜘蛛在爬行,爬行的深度又低,所以新站数据更新也是非常慢的。

搜索引擎蜘蛛的工作原理,如何吸引蜘蛛

2、中级蜘蛛

中级蜘蛛通过爬行外链和反链(友情链接)来到你的网站,然后再开始爬行网站,从而抓取你网站的内容,把抓取到的内容和搜索引擎数据库中原来的数据对比,看看是否是原创、伪原创、或者直接采集的内容,从而决定要不要放出来。所以说,我们需要在高权重的论坛发软文和有锚文本签名是可以有效地吸引蜘蛛来光顾我们的网站。

3、高级蜘蛛

高级蜘蛛负责爬行权重比较高的网站,高级蜘蛛有专门的权限,就是秒收。这就是为什么我们需要去权重比较高的论坛发帖了,会被搜索引擎秒收,高级蜘蛛爬行深度非常高,他几乎可以爬行到你网站的所有链接页面,高级蜘蛛的爬行来访频率也很高,来访频率、收录快这也直接加快了百度快照的更新,这也是为什么我们需要一直不断的提高网站的权重的原因。

如何吸引蜘蛛爬行?

1.内容更新频率

理论上你的网站内容更新频率相对较高,那么搜索引擎蜘蛛爬虫来访频率就高,目的是抓取更多的优质内容,当然如果能规律性的更新网站内容那就更好了。

2.内容更新质量

更新的内容质量要高,较好是自己原创,特别是百度爬虫,如果你定期输出高质量且虚缺性的内容,就会发现蜘蛛的来访频率很高,并且经过信任度累积,很容易达到 “秒收”

搜索引擎蜘蛛的工作原理,如何吸引蜘蛛

3.网站页面稳定

服务器的稳定是决定搜索引擎蜘蛛是否能够顺利抓取的注意因素,如果网站经常打不开或者延迟识别,都会对抓取和索引产生重要影响。

4.整站的目标权重

这是一个综合性指标的考虑,权重高的站点更受搜索引擎的青睐,蜘蛛的来访爬取也相对频繁。这也是SEO优化人员一直致力提升网站权重的原因。

拓展知识: