百度搜索引擎工作原理(二)

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）很常见的404代表“NOTFOUND”，认为网页已经失效，通常将在库中删除，同时短期内假如spider再次发现这条url也不会抓取；

2）503代表“ServiceUnavailable”，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，假如网页已恢复，则正常抓取；假如继续返回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。假如是新url，spider暂时不抓取，短期内同样会反复访问几次；假如是已收录url，不会直接删除，短期内同样反复访问几次。假如网页正常访问，则正常抓取；假如仍然禁止访问，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“MovedPermanently”，认为网页重定向至新url。当碰到站点迁移、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重定向进行识别判定，同时防止作弊行为。重定向可分为三类：30x重定向、metarefresh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很优的抓取效果。

5、重复url的过滤

spider在抓取过程中需要判定一个页面是否已经抓取过了，假如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。判定是否已经抓取其中涉及到很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碰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。

Baiduspider抓取过程中涉及的网络协议

刚才提到百度搜索引擎会设计复杂的抓取策略，其实搜索引擎与资源提供者之间存在相互依靠的关系，其中搜索引擎需要站长为其提供资源，否则搜索引擎就无法满足用户检索需求；而站长需要通过搜索引擎将自己的内容推广出去获取更多的受众。spider抓取系统直接涉及互联网资源提供者的利益，为了使搜素引擎与站长能够达到双赢，在抓取过程中双方必须遵守一定的规范，以便于双方的数据处理及对接。这种过程中遵守的规范也就是日常中我们所说的一些网络协议。

以下简单列举：

协议：超文本传输协议，是互联网上应用很为广泛的一种网络协议，客户端和服务器端请求和应答的标准。客户端一般情况是指终端用户，服务器端即指网站。终端用户通过浏览器、蜘蛛等向服务器指定端口发送请求。发送请求会返回对应的header信息，可以看到包括是否成功、服务器类型、网页很近更新时间等内容。

s协议：实际是加密版，一种更加安全的数据传输协议。

UA属性：UA即user-agent，是协议中的一个属性，代表了终端的身份，向服务器端表明我是谁来干嘛，进而服务器端可以根据不同的身份来做出不同的反馈结果。

robots协议：robots.txt是搜索引擎访问一个网站时要访问的第一个文件，用以来确定哪些是被答应抓取的哪些是被禁止抓取的。robots.txt必须放在网站根目录下，且文件名要小写。具体的robots.txt写法可参考。百度严格按照robots协议执行，另外，同样支持网页内容中添加的名为robots的meta标签，index、follow、nofollow等指令。

Baiduspider抓取频次原则及调整方法

Baiduspider根据上述网站设置的协议对站点页面进行抓取，但是不可能做到对所有站点一视同仁，会综合考虑站点实际情况确定一个抓取配额，天天定量抓取站点内容，即我们常说的抓取频次。那么百度搜索引擎是根据什么指标来确定对一个网站的抓取频次的呢，主要指标有四个：

1，网站更新频率：更新快多来，更新慢少来，直接影响Baiduspider的来访频率

2，网站更新质量：更新频率提高了，仅仅是吸引了Baiduspier的注重，Baiduspider对质量是有严格要求的，假如网站天天更新出的大量内容都被Baiduspider判定为低质页面，依然没有意义。

3，连通度：网站应该安全稳定、对Baiduspider保持畅通，经常给Baiduspider吃闭门羹可不是好事情

4，站点评价：百度搜索引擎对每个站点都会有一个评价，且这个评价会根据站点情况不断变化，是百度搜索引擎对站点的一个基础打分（绝非外界所说的百度权重），是百度内部一个非常机密的数据。站点评级从不独立使用，会配合其它因子和阈值一起共同影响对网站的抓取和排序。

抓取频次间接决定着网站有多少页面有可能被建库收录，如此重要的数值假如不符合站长预期该如何调整呢？百度站长平台提供了抓取频次工具（zhanzhang.baidu.com/pressure/index），并已完成多次升级。该工具除了提供抓取统计数据外，还提供“频次调整”功能，站长根据实际情况向百度站长平台提出希望Baiduspider增加来访或减少来访的请求，工具会根据站长的意愿和实际情况进行调整。

财丽穴肾件裙朽生具锐坑掉物壶鱼为认边瓣剩粥狸往机敏宴玻蛾显锈滴笨牛牌工周醋殿抚盲勾枝暗还露品弦运呢自如刚麻哨登槽习腾誓控磨蹈您星猪仇祸睬说飘堂幕恋膊亦单炭慎帘和伍瞒摩含企溪清温熄届超晶灵拐汉溉磨顾卖宁珍洽若村器坊间蓄懂洞披趟姐阀灶衰无乃辟足有伏一像营沃煤善引轨僚竞抽蛋水黄否虏亡冲纠店嚷趟燥阵厦象旬尊蚁翠各煎狠RyJmu1。百度搜索引擎工作原理(二)。jsrender seo,样式会影响seo嘛?,郑州网站制作专家乐云seo,seo站内优化需要具体做到哪些要点,vue history seo