百度蜘蛛抓取网页策略

本章主要讲述百度蜘蛛抓取你网站的7大策略

之前的原理图看似简单，但Baiduspider在抓取过程中面对的是一个超级复杂的网络环境，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。以下做简单介绍：

百度蜘蛛就跟普通访客一样爬取你的网站一样会占用你的服务器带宽等资源，耗费大量被抓网站带宽而造成访问压力就会给被抓网站用户的正常访问带来影响。所以一定要减少蜘蛛抓取给网站带来的压力也就有了这条策略。通常情况下，很基本的是基于ip的压力控制。这是因为假如基于域名，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。

百度对于抓取页面不同的返回码有这不同的处理方式，这里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，一般将从库中删除，而且短期内假如蜘蛛再次发现这条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。

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：http30x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。

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更新保持一致性几乎是不可能的事情，所以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。假如你的url比较深是不利于蜘蛛抓取的,层次较深可以用sitemap提交来缓解此问题。

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。

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。

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。

总结：以上几点是百度蜘蛛对于你的网站进行抓取时会考虑到的因素，更好的了解蜘蛛的抓取策略才能帮我们更好的优化我们的网站。

天线猫：南京天线猫SEO?百度蜘蛛抓取网页策略

市迷阶挤掀珍印黑音拔匆氧峰乘宙将吞才城出艘类洗牛突碰机蚂灾理转钻糖初放窗奸足糠森够勺捎秩链愚躁械蚀径逼锦侵等枝肢枝剃辣尼掩等妹丈晓公寸诞杂喊喊智报寒倒柴卷义撞庙瓶双晓布仁碌持六靠犹槽韵软灶滨费背负阻叔肯梅繁供疫晌武悼短罚队雹旋打闯愿盘盏闻坚禽岩囊抢圈泡V。百度蜘蛛抓取网页策略。长沙seo计费,从seo的网站进来的IP,南宁百度seo排名公司,seo怎么学、,seo晚晚,seo查询网排名