搜索引擎抓取系统概述二—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。以下简单介绍一下抓取过程中涉及到的主要策略类型

1、抓取友好性:抓取压力调配降低对网站的访问压力

2、常用抓取返回码示意

3、多种url重定向的识别

4、抓取优先级调配

5、重复url的过滤

6、暗网数据的获取

7、抓取反作弊

8、提高抓取效率,高效利用带宽

1、抓取友好性

互联网资源庞大的数量级,这就要求抓取系统尽可能的高效利用带宽,在有限的硬件和带宽资源下尽可能多的抓取到有价值资源。这就造成了另一个问题,耗费被抓网站的带宽造成访问压力,如果程度过大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一定的抓取压力控制,达到既不影响网站的正常用户访问又能尽量多的抓取到有价值资源的目的。

通常情况下,最基本的是基于ip的压力控制。这是因为如果基于域名,可能存在一个域名对多个(很多大网站)或多个域名对应同一个(小网站共享)的问题。实际中,往往根据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。

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 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,同时短期内如果再次发现这条url也不会抓取;

2 503“Service Unavailable”,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,百度不会把这条直接删除,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,那么这条仍会被认为是失效链接,从库中删除。

3 403“Forbidden”,认为网页目前禁止访问。如果是新暂时不抓取,短期内同样会反复访问几次;如果是已收录,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,那么这条也会被认为是失效链接,从库中删除。

4301 代表是“Moved Permanently”,认为网页重定向至新。当遇到站点迁移、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重定向状态,为了对这部分资源正常抓取,就要求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最优的抓取效果。

5、重复的过滤

在抓取过程中需要判断一个页面是否已经抓取过了,如果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,同时涉及到归一化识别,例如一个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

在抓取过程中往往会遇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。

原文:http://zhanzhang.baidu.com/wiki/205

版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。

相关推荐


前端里面如何进行搜索引擎优化(SEO) 如何进行SEO优化: (1) 避免head标签js堵塞: 所有放在head标签里面的js和css都会堵塞渲染;如果这些css和js需要加载很久的话,那么页面就空白了; 解决办法:一是把script放到body后面,这也是很多网站采取的方法。 第二种是给scri
网站页面(前端)seo优化方法及建议 很多时候,网站页面(前端)seo优化所涉及的点在于页面精简。本教程概述了如何对网页进行精简,以及提供相关建议,加快网站加载速度,提升网站性能。 从相反方面考虑,如果网页庞杂,网页打开速度慢,会有什么后果? 首先,网页代码 […] 很多时候,网站页面(前端)seo
网站流量短时间内的少量波动一般来说是正常现象。当流量波动持续时间较长且幅度较大时,则需要排查原因;建议站长进行以下排查跟处理:
持续输出原创优质内容,获得更多的用户点击与认可,会提高网站的评分,从而获得更多的搜索展现。
百度信息流配置为用户的自然流量,即会根据用户属性和配置的内容进行匹配后综合决定是否进行展示,因此需要开发者不断优化素材从而获取流量。
百度搜索的索引量与流量有什么关系?百度搜索的索引量与流量是什么意思:百度搜索基于用户需求和资源质量等维度对索引量数据进行评估,不定期的更新索引量数据库。可能会删除低质量、用户无需求的资源,也会增加高质
随着手机移动端的快速崛起,慢慢的占领了大部分用户的访问入口,SEO优化方面,大家也开始更加重视针对移动端SEO的安排;
首先说下SSR,最近很热的词,意为ServerSideRendering(服务端渲染),目的是为了解决单页面应用的SEO的问题,搜索引擎无法抓取页面相关内容,也就是用户搜不到此网站的相关信息。用NUXT来做SSR,作用就是在node.js上进一步封装,然后省去我们搭建服务端环境的步骤,只需要遵循这个库的一些
   我是一个站长,现在建站seo是比较重要的部分,买了独立ip的云服务器主机,为了就是能够seo效果好点.建站优化我不担心,最郁闷的就是linux服务器运维这块,宝塔linux面板是必须安装到服务器上,比较消耗服务器内存,运维比较麻烦. 还有就是购买宝塔面板的附带插件比较贵,基本买个
在我们学习网站seo高质量外链建设之前,首先我们要先了解一下,究竟什么是外链呢?外链其实就是我们网站的外部链接,也称为反向链接,就是由其他的网站指向我们网站的链接。那么外链的作用是什么呢?外链可以为自己的网站带来流量,将其他网站的流量导入到自己的网站,同时也可以提高网站的权重排
大表哥相信不少朋友学习seo优化技术都是为了能够靠seo赚到钱,多数的朋友会选择去找一份seo优化的工作来赚钱,seo优化者在选择工作的时候都会普遍接触到一项职位,那就是seo专员,很多朋友都想知道seo专员是做什么的,那么今天大表哥就和大家聊一聊seo专员日常工作内容是什么?Seo专员是什么
又到了分享经验的时刻,每到这时候,高粱seo心里总是美滋滋的,因为分享是一种快乐,更是一种收获,能够与人分享,本身就是一种成功。在上一篇文章当中,高粱seo用两个实战案例,证明了目前资源导入对seo快速排名的帮助时非常给力的,之后很多seo优化伙伴纷纷来咨询,都想知道具体是怎么操作的。高粱se
 SEO阅读笔记目录基本规则URL优化代码优化代码内容优化页面头部优化图片优化网页结构基本规则1.资源越浅越容易被收录2.资源越浅越容易被收录3.关键词越靠文档(html)前,越容易被收录4.关键词出现的次数越多越好 URL优化Url中携带关键词组合关键词:eg.IPHONE
最近在自学SEO,互联网运营,把做的笔记干货分享给大家啊!希望能帮到大家,如有好的建议可以关注我【磨人的小妖精】或留言,大家一起探讨。之前还写过一篇文章互联网运营+SEO:推荐必看的5本书籍,学习还是需要系统化的书本来学习,帮助会更大。做SEO,关键词和工具比较重要,今天就先分享这两个,日
在我们接到优化网站需求的时候,一般可以从如下几个步骤进行:1.网站的机构2.页面的布局3.关键词的选取4.关键词的分布首页title标题的组成格式核心关键词+网站名称(最好含有关键词)keywords的设置核心关键词由主到次,由左到右依次出现,保持在3-4个最好,以免有关键词
    众所周知,每个人都是独立的个体,都有自己的思想和判断,具体一个什么样的网站才能称得上是成功优秀的,对于这个问题不同的人会给出不同的解说,并且衡量一个网站好坏的方式有很多的,但无论如何,我们都需要把各方面都做到最好,力争让网站能够在众多的网站中脱颖而出,而这应该是衡
现在SEO的最新算法、技巧,希望大家运用这些技巧,都像我一样能够在百度上获得客户:第一步:了解搜索引擎的工作原理爬——抓——处——排——展第二步:大家要建立一个整体框架,影响SEO的排名有哪些因素如果你网站的收录量很低,那么需要优化以下8个因素:内链结构优化URL结构优化产品内容
要想了解网站降权或者被K的原因,首先要去深度分析降权被K产生的因素,从搜索引擎本质上来说,并不会有特定的所谓被降权K站的条件来制定网站降权或者被K。并且网站降权和网站被K属于两种不同的现象。降权最明显的现象是网页还处于收录状态,但是整个标题或某个关键词搜索的时候搜索不到
本文首发于:风云社区(scoee.com)最近开始学习和研究互联网运营和SEO,对于我这个小白来讲,还是有些吃力,毕竟从来没接触这方面的,尽管在之前的软件公司做过售前和产品相关的工作,但毕竟与互联网产品运营和SEO,还是差别很大。So,在网上零散看了一些互联网产品运营和SEO相关文章,感觉讲的太片面
任何一个流量类的网站都需要长期的seo优化与维护,多数站长搭建网站的目的也是通过网站获得一定的流量和转化,但是做过seo的朋友都知道,网站获得大量流量最好的方法就是获得高的排名,但是通常新网站想要通过seo获得排名是需要长时间的积累的,那么网站建立前期如何获得流量就是很多站长比