百度官方公开课：网站抓取和收录建设指南（干货）
大家好，今天百度资源平台官方直播了一节公开课，主要是和大家说说网站抓取和收录的一个原理，这里我给大家做了详细的笔记(一字不漏)，看完以后，可以说做收录基本上不是什么大问题了。
百度爬虫工作原理
首先百度的抓取器会和网站的首页进行交互，拿到网站首页之后会对页面进行理解，理解包含(类型、价值计算)，其次会把网站首页的所有超链接提取出来。如下图所示，首页的超链接被称为“后链”，等到下一轮抓取的时候，抓取器会继续和这些超链接的页面进行交互，拿到页面进行提炼，依次不断一层一层的抓取，这就构成了抓取环路。
抓取友X优化
1、URL规范：
任何一个资源都是通过URL来抓取的，URL相对于网站的门牌号，那么URL的规划就非常重要了。尤其是如上图所示，“待抓URL”的环境，爬虫在首页的时候，并不知道URL是什么样子。
优秀的URL的特点是主流的、简单的，尽可能不要去做一些非主流的样式，让人看起来很直观的URL。
优秀URL示例：
如上图所示，第一条是百度知道的链接，整个链接分成三段，第一段是网站的站点，第二段是资源类型，第三段是资源的ID。这种就是非常简单，并且爬虫看起来非常优质的URL。
如上图所示，第X相对百度知道多了一个段，首先第一段是网站的站点，第二段是站点的一级目录，第三段是站点的二级目录，最后一段是站点的内容ID。像这种的URL也是符合标准的。
不友好的URL示例：
如上图所示，这种链接一看就很长很复杂，有经验的站长都看得出，这种URL包含了字符，这个URL内包含了文章的标题，导致URL偏长，一个偏长的URL相对比简单的URL是不占优势的，百度站长平台的规则有明确的说到URL不能超过256字节，个人建议URL长度控制在100字节之内，100个字符足够展现出URL的资源了。
如上图所示，这段URL包含统计参数，可能会导致重复抓取，浪费站点权益，所以竟可能不使用参数，如果一定要使用参数，那么也可以保留必要参数，参数字符竟可能使用常规的连接符，比如“?”、“&”，避免非主流连接符。
2、合理发现链路：
爬虫是从首页开始一层一层抓取的，所以就需要做好首页与资源页的URL关系。这样爬虫抓取相对而言比较省力。
如上图所示，从首页到具体内容的超链路径关系叫做发现链路，目前大多数移动站没有太注意发现链路的关系，所以导致爬虫无法抓取到内容页。
如上图所示，这两个站点是移动网站常见的建站方式，从发现链路的角度来讲，这两类站点是不友好。
Feed流推荐：大多数做feed流的站点后台是有非常多的数据，用户不断的刷会有新的内容出现，但你刷新的次数再多，可能也只能刷到1%左右的内容，而爬虫相当于一个用户，爬虫不可能做到以这种方式将网站所有的内容都爬取到，所以就会导致一些页面爬虫不到，即使你有100万的内容，可能只能抓取到1-2万。
仅有搜索入口：如上图所示，首页只有一个搜索框，用户需要输入关键词，才能找到对应的内容，但爬虫不可能做到输入关键词然后再去爬取，所以爬虫只能爬取到首页后，就没有后链了，自然抓取和收录就会不理想。
解决方案：索引页下的内容按发布时间逆序排序的，这样做有一个好处，搜索引擎可以通过索引页即使的抓取到你网站最新的资源，另外新发布的资源要实时在索引页同步，很多纯静态的网页，内容更新了，但是首页(索引页)却没有出来，这样会导致搜索引擎通过索引页无法即使的抓取到最新的资源，第三个点是后链(最新文章)的URL需要直接在源码在露出，方便搜索引擎抓取，最后就是索引页不是越多越好，有少数优质的索引页就足够了。
最后这里和大家说一个更高效的解决方案，那就是直接通过百度站长资源平台去主动提交资源，这样搜索引擎可以绕过索引页直接抓取到最新资源，这里需要注意两个点。
Q：资源提交是不是越多越好?
A：收录效果的核心永远是内容质量，如果大量提交低质、泛滥资源会导致惩罚性打击。
Q：为什么提交了普通收录但没有抓?
A：资源提交只能加速资源发现，不能保证短时间内抓取，当然百度方面表示，算法在持续优化，让优质的内容更快得到抓取。
3、访问友X：
抓取器要和网站进行交互，要保证网站的稳定的，抓取器才能够正常的爬取。那么访问友X主要包括以下几个方面。
访问速度优化：加载时间建议控制在2S以内，那么无论是用户还是爬虫，对于打开速度更快的网站，都会更加青睐，其次是避免非必要的跳转，这种情况虽然是少部分，但依然有网站出现很多级的跳转，那么对于爬虫来讲，很有可能在多级跳转的同时就断开了。常见的有做了不带www的域名跳转到带WWW的域名上，然后带WWW的域名又要跳转到https上，最后更换新站，这种情况就出现了三四级的跳转。如果出现类似网站改版，建议直接全部跳转到新域名上。
规范http返回码：我们常见的301/302的正确使用，以及404的正确使用，主要是常规的问题，用常规的方式来解决，比如遇到无效资源，那么就使用404来做，不要用一些特殊的返回状态码了。
访问稳定性优化：首先尽可能选择国内大型的DNS服务，以保证站点的稳定性，对于域名的DNS，实际上阿里云还是比较稳定靠谱的，那么其次是谨慎使用技术手段封禁爬虫抓取，如果说有特定资源不希望在百度上展现，那么可以采用robots来屏蔽，比如说网站的后台链接，大多数都是通过robots屏蔽的。如果说抓取频次太高，导致服务器压力过大，影响用户正常访问，那么可以通过资源平台的工具降低抓取频率。其次是避免防火墙误封禁爬虫抓取，那么这里建议大家可以把搜索引擎的UA加入到白名单。最后一点是服务器的稳定性，特别是在短时间内提交大量优质资源，这个时候一定要关注服务器稳定性，因为当你提交大量资源后，爬虫会随之增加，这个时候会不会导致你服务器压力过大而打不开，这个问题是需要站长关注的。
如上图所示，这三个例子就是第三方防火墙拦截的一个状态，当正常用户打开是这个状态的时候，搜索引擎抓取的时候，也会处于这个状态，所以如果遇到CC或者DDOS的时候，我们开启防火墙的前提，一定要放开搜索引擎的UA。
4、识别百度爬虫
对于部分网站，可能对用户方面有特殊的优化，可能有网站想把用户和爬虫区分开来做优化，所以这个时候就需要识别百度爬虫。
首先用简单的方法，我们可以通过百度的UA来识别出百度爬虫，那么目前来讲百度PC、移动、和小程序是三个不同的UA，那么通过简单的识别方法，有出现有第三方的爬虫模拟百度爬虫，导致你识别不出来。那么这个时候，咱们可以通过双向DNS解析认证来区分，具体参考《轻松两步：教你快速识别百度蜘蛛》。
问答环节
Q：新站会不会有一个的抓取限制?
A：对于任何一个新站来讲，都没有抓取限制，不过去年开始，我们已经开始对新站有一个扶持，让你的网站，先在百度上收录起来。然后再进行一个价值判断，那么如何让百度知道你是一个新站，有两个捷径，第一个是去百度资源平台提交，第二个点是去工信部做ICP的备案，我们可以从工信部拿到ICP备案的数据，备案之后我们就知道有人建了一个新的站点，这样就可以给新站一个基础的流量扶持。
Q：每个站点蜘蛛抓取的配额都会有调整，大概多久调整一次?
A：确实会有调整，对于新资源会与你抓取频率相关，对于旧资源会与你内容质量相关，如果说新资源的质量有变化，那么抓取频率也会有变化，网站的规模有变化，那么抓取的频率也会有变化，如果说有很大的改版，那么抓取频率相对而言也会有变化。
Q：网站降权能不能恢复?
A：网站降权恢复的前提是我们会对网站进行重新评估，查看网站是不是有整改，如果有整改是不是做了404，并且有提交到资源平台，如果说完全符合要求后，搜索引擎会经过评估后，对没有违规的网站进行恢复。
Q：新站点是不是有考核期?
A：对我们来讲是没有一个考核期这么一个东西，我们前面也讲到了，尽可能会对新站的一个流量扶持，假设一个新站点流量扶持1-2个月以后，发现网站继续保持这种状态，那么就不会有一个太大的调整，当发现网站质量有明显的提升，那么我们也会相应的提升百度排名。
Q：百度对外国的服务器和国内的服务器有没有区别对待?
A：策略角度上来件，没有硬性区别对待，但是很多外国的服务器对国内部分区域封禁，以及国外服务器网站备案的角度上来讲，国内的服务器都具有优势。
Q：新站旧域名是不是更有优势?
A：如果说老域名和新站是相同的内容，确实在起步阶段有一定的优势，但仅仅是起步阶段，后期还是要看内容的质量，特别要注意的是，如果说老域名的行业和你新网站的内容不相关，即使是所谓高权重的老域名，也会适得其反。百度会认为你今天做这个，明天做那个，效果还不如重新做一个新域名。
Q：蜘蛛是不是有权重之分，比如220和116这种高权重蜘蛛?
A：蜘蛛是没有权重之分的，网站的排名最主要是取决于网站的质量。
你可能感兴趣
推荐10个亚马逊、独立站及通用型免费工具
本文介绍的工具包含“亚马逊、Shopify对手发现、对手分析、以及一些通用的免费小众工具”爬虫工具。 一、便捷强大的亚马逊爬虫+爬取结果报表生成工具 虽然十三哥推荐过很多爬虫工具，但如果应用到亚马逊上
有效的屏蔽百度蜘蛛或某一爬虫的几种方法 | 陌小九
很多站长朋友们估计也都遇到过这样的问题：蜘蛛访问压力非常的大，而且有很多国外的搜索引擎爬虫来抓取网页，还有一些冒充百度蜘蛛、谷歌蜘蛛的天天来抓取，假蜘蛛太多，会造成服务器压力大，而且还会影响其他蜘蛛更
Gооgle AdSense 爬虫 Mediapartners-Gооgle 作用分析
如果你的网站投放了Gооgle AdSense，那么你应该知道Mediapartners-Gооgle爬虫，Mediapartners-Gооgle 抓取网页中的文字内容，用于 Gооgle Adse
网络爬虫英语怎么说,爬虫英文
第二个问题，两者有什么关系？这两者没什么关系，爬虫是拿来搜集信息的，黑客也通常不会写爬虫去攻击别人，不过要精通计算机软件的黑客肯定会写爬虫。爬虫就是利用爬虫技术去抓取各论坛、网站数据，将所需数据保存到
十大python爬虫软件工具排行，网络爬虫工具推荐(附2023年排行榜前十排名名单)
十大python爬虫软件工具排行，网络爬虫工具推荐(附2023年排行榜前十排名名单) 世界排行榜123网 2023-01-29 15:18:28 十大python爬虫软件工具排行，网
爬虫知识点个人整理
任何事情都没有捷径都是博主日积月累累积的,加密的文章不便于公开大家谅解一下,爬虫实践自己专研很重要 一.爬虫原则 爬虫的盗亦有道Robots协议 二.爬虫页面获取基础 Requests库概念
爬虫知识点个人整理
爬虫知识点个人整理 python 搞java代码任何事情都没有捷径都是博主日积月累累积的,加密的文章不便于公开大家谅解一下,爬虫实践自己专研很重要一.爬虫原则爬虫的盗亦有道Robots协议二.爬虫页面
如何处理WordPress CPU占用100%很高的问题！
用 wordpress建站的朋友都知道，造成wordpress站点占用服务器cup过高的原因是wordpress程序占用的资源较大，因为它没有缓存功能，所以在你访问网站或者登陆后台的时候就消耗了很多资
静觅丨崔庆才的个人站点专业为您提供爬虫教程,爬虫,Python,Python爬虫,Python爬虫教程,爬虫书的相关信息，想要了解更多详情，请联系我们。
静觅丨崔庆才的个人站点专业为您提供爬虫教程,爬虫,Python,Python爬虫,Python爬虫教程,爬虫书的相关信息，想要了解更多详情，请联系我们。
国内外搜索个个搜索引擎明细简单介绍-seo优化
AhrefsBot : AhrefsBot 是一个 Web 爬虫，为 Ahrefs 在线营销工具集的 12 万亿链接数据库提供支持。它不断抓取网络以使用新链接填充我们的数据库并检查以前找到的数
原创文章，作者：starterknow，如若转载，请注明出处：https://www.starterknow.com/2604.html
starterknow