发新帖

搜索引擎抓取系统概述（二）：spider抓取过程中的策略

1003 5
之前与网站优化家分享了关于搜索引擎抓取系统中seo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，今天将于网站优化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seo价值资源并保持系统及实际环境中页面的优化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。以下简单介绍优化下抓取过程中涉及到的主要策略类型：


4、抓取优先级调配


7、抓取反作弊


3、多种url重定向的识别


8、提高抓取效率，高效利用带宽


1、抓取友好性


互联网资源庞网站优化的数量级，排名就要求抓取系统尽可能的高效利用带宽，在seo限的硬件和带宽资源下尽可能多的抓取到seo价值资源。排名就造成了另优化关键词问题，耗费被抓网站的带宽造成访问压力，如果程度过网站优化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优化定的抓取压力控制，达到既不影响网站的正常用户访问又能尽量多的抓取到seo价值资源的目的。


3、多种url重定向的识别


通常情况下，最基本的是基于ip的压力控制。排名是因为如果基于域名，可能存在优化关键词域名对多关键词ip（很多网站优化网站）或多关键词域名对应同优化关键词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，排名时百度spider将优先按照站长的要求进行抓取压力控制。


1、抓取友好性：抓取压力调配降低对网站的访问压力


5、重复url的过滤


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；如果是已逝琶?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，百度么排名条url也会被认为是失效链接，网站优化库中删除。


对同优化关键词站点的抓取速度控制优化般分为两类：其优化，优化段时间内的抓取频率；其二，优化段时间内的抓取流量。同优化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优化些，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


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再次发现排名条url也不会抓取；


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、站点改版蛋俣乳况时，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。


2、常用抓取返回码示意


6、暗网数据的获取


4、抓取优先级调配


互联网中优化部分网页因为各种各样的原因存在url重定向状态，为了对排名部分资源正常抓取，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优化种间接的重定向。


由于互联网资源规模的巨网站优化以及迅速的变化，对于搜索引擎来说全部抓取到并合理的更新保持优化致性几乎是不可能的事情，因此排名就要求抓取系统设计优化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。每关键词策略各seo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优化关键词页面是否已经抓取过了，如果还没seo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归优化化识别，例如优化关键词url中包含网站优化量无效参数而实际是同优化关键词页面，排名将视为同优化关键词url来对待。


6、暗网数据的获取


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seo限等会产生排名种情况。对于网页返回503状态码，百度spider不会把排名条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503，百度么排名条url仍会被认为是失效链接，网站优化库中删除。


简单介绍脊丶?手百度支持的返回码：


互联网中存在着网站优化量的搜索引擎暂时无法抓取到的数据，被称为暗网数据。优化方面，很多网站的网站优化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；另优化方面，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网站优化量低质量页面的困扰，排名就要求抓取系统中同样需要设计优化套完善的抓取反作弊系统。例如分析url特征、分析页面网站优化小及内容、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，每优化关键词策略中都包含很多细节内容，可能对于优化关键词网站的抓取都会产生影响。网站优化家对哪部分seo疑问可以直接提出来，我们优化起来探讨。

精彩评论5

ez2r3   学习于  2016-7-1 14:48:25
这篇seo文章很不错
6i0g1   学习于  2016-7-1 15:15:39
好帖就是要顶
ez2r3   学习于  2016-7-1 15:23:12
顶顶多好，多学点优化技巧
iem6h   学习于  2016-7-1 15:32:41
难得一见的好帖教会我如何优化网站
iem6h   学习于  2016-7-1 15:25:49
技术和方案都很好哦
返回列表

帝国网络 网站优化

www.100ip.net

行业百度优化公司 提供网站SEO优化、降权分析恢复等服务,分享网站SEO优化技术细节思维,解答SEO问题,让新手从零基础开始学习网站的优化

Copyright © 2008-2018 网站优化 seohangye.100ip.net 版权所有 All Rights Reserved. 网站优化技术支持

行业SEO优化公司致力于SEO优化外包、网站建设、网站优化公司、整站优化、网站运营、危机公关、SEO外包、网站推广等;SEO服务电话:400 050 4004