剖析搜索引擎蜘蛛的爬行和抓取頁面的原理知識(shí)

“搜索引擎蜘蛛”這個(gè)詞相信很多人都有點(diǎn)陌生，其實(shí)他的意思就是在搜索引擎系統(tǒng)中又被稱之為“蜘蛛”或“機(jī)器人”，是用來爬行和訪問頁面的程序。今天，成都網(wǎng)站優(yōu)化小編就來和大家分享下搜索引擎蜘蛛的爬行和抓取頁面的原理。希望對(duì)大家有所幫助。

一、搜索引擎蜘蛛簡(jiǎn)介

搜索引擎蜘蛛，在搜索引擎系統(tǒng)中又被稱之為“蜘蛛”或“機(jī)器人”，是用來爬行和訪問頁面的程序。

① 爬行原理

搜索引擎蜘蛛訪問網(wǎng)頁的過程，就好比用戶使用的瀏覽器。

搜索引擎蜘蛛向頁面發(fā)出訪問請(qǐng)求，該頁面的服務(wù)器則返回該頁面的HTML代碼。

搜索引擎蜘蛛將收到的HTML代碼存入搜索引擎的原始頁面數(shù)據(jù)庫中。

② 如何爬行

為了提高搜索引擎蜘蛛的工作效率，通常采用多個(gè)蜘蛛并發(fā)分布爬行。

同時(shí)，分布爬行還分為兩種模式：深度優(yōu)先和廣度優(yōu)先。

深度優(yōu)先：沿著發(fā)現(xiàn)的鏈接一直爬行，直到?jīng)]有任何鏈接。

廣度優(yōu)先：先這一頁面上的所有鏈接爬行完畢之后，才會(huì)沿著第二層頁面繼續(xù)這樣爬行。

③ 蜘蛛必遵守的協(xié)議

搜索引擎蜘蛛在訪問網(wǎng)站之前，都會(huì)先訪問網(wǎng)站根目錄下的robots.txt文件。

搜索引擎蜘蛛不會(huì)去抓取robots.txt文件中禁止爬行的文件或目錄。

④ 常見搜索引擎蜘蛛

百度蜘蛛：Baiduspider

谷歌蜘蛛：Googlebot

360蜘蛛：360Spider

SOSO蜘蛛：Sosospider

有道蜘蛛：YoudaoBot，YodaoBot

搜狗蜘蛛：Sogou News Spider

必應(yīng)蜘蛛：bingbot

Alexa蜘蛛：ia_archiver

二、如何吸引更多搜索引擎蜘蛛

互聯(lián)網(wǎng)信息爆炸，搜索引擎蜘蛛不可能將所有網(wǎng)站的所有鏈接全部爬行到，那么如何吸引更多的搜索引擎蜘蛛到我們網(wǎng)站上來爬行變得非常重要。

① 導(dǎo)入鏈接

無論是外部鏈接，還是內(nèi)部鏈接，只有有導(dǎo)入，才能被搜索引擎蜘蛛知道該頁面的存在。所以，多多做外鏈建設(shè)有助于吸引更多蜘蛛來訪。

② 頁面更新頻率

頁面更新頻率越高，搜索引擎蜘蛛來訪的次數(shù)也會(huì)越多。

③ 網(wǎng)站和頁面權(quán)重

整個(gè)網(wǎng)站的權(quán)重以及某一頁面的權(quán)重(包括首頁也是頁面)影響著蜘蛛的來訪頻率，權(quán)重高、權(quán)威性強(qiáng)的網(wǎng)站一般都會(huì)增加搜索引擎蜘蛛的好感。

④ 與首頁的距離

首頁>一級(jí)目錄>二級(jí)目錄>三級(jí)目錄>四級(jí)目錄…很顯然，目錄越深蜘蛛來訪的幾率和次數(shù)就會(huì)越少，因?yàn)橐话阃怄湺际侵赶蚴醉摰?，首頁再向下爬行，只?huì)越來越少。

這里給大家的建議是，做外鏈的時(shí)候，不要只做首頁外鏈，偶爾做一做欄目和聚合頁面的外鏈也還是不錯(cuò)的哦~

有些時(shí)候，URL短，蜘蛛可能也會(huì)覺得這個(gè)鏈接的權(quán)重哦，所以，最好只做一級(jí)欄目，然后就是文章頁面。

三、搜索引擎蜘蛛地址庫

搜索引擎蜘蛛有一個(gè)專門的地址庫，用來存放已經(jīng)被發(fā)現(xiàn)的URL(已被抓取和未被抓取的都算，只要是被發(fā)現(xiàn)的URL都算)，這樣就不會(huì)出現(xiàn)重復(fù)爬行和抓取頁面的情況了。

① 地址庫URL來源

蜘蛛抓取的頁面中發(fā)現(xiàn)的新的URL;

站長后臺(tái)自主提交的URL;

站長后臺(tái)提交的XML地圖中的URL;

站長后臺(tái)提交的網(wǎng)站URL;

② 對(duì)于未被抓取的URL

對(duì)于未被抓取的URL，不管是以什么方式獲取的，哪怕是搜索引擎蜘蛛自己發(fā)現(xiàn)的，也會(huì)先放入地址庫中，然后在做統(tǒng)一抓取。

四、頁面數(shù)據(jù)存儲(chǔ)

搜索引擎蜘蛛將抓取的頁面數(shù)據(jù)會(huì)存入搜索引擎的原始頁面數(shù)據(jù)庫中，其實(shí)，就可以理解為快照中看到的頁面數(shù)據(jù)，和用戶看到的是一樣的，每一個(gè)頁面的URL地址都有一個(gè)唯一的編號(hào)。

五、復(fù)制內(nèi)容檢測(cè)

搜索引擎蜘蛛在爬行的過程中，會(huì)進(jìn)行一定程度的復(fù)制內(nèi)容檢測(cè)。如果是權(quán)重低的網(wǎng)站上，發(fā)現(xiàn)了大量的轉(zhuǎn)載或抄襲內(nèi)容時(shí)，可能會(huì)停止爬行，這些頁面可能也會(huì)不抓取與收錄。

但并不是說網(wǎng)站就不能轉(zhuǎn)載，像一些權(quán)重很高的平臺(tái)，哪怕是轉(zhuǎn)載了一篇舊聞排名也可以很好，因?yàn)樗阉饕嬷┲肟赡軙?huì)覺得，就算是舊聞可能也是高質(zhì)量的吧。

當(dāng)前名稱：剖析搜索引擎蜘蛛的爬行和抓取頁面的原理知識(shí)
網(wǎng)頁鏈接：http://www.muchs.cn/news32/84482.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供外貿(mào)建站、ChatGPT、定制開發(fā)、建站公司、網(wǎng)站排名、網(wǎng)站策劃

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)