Google 爬虫 SEO 优化实践 - 稳定性、体验优化和差异化承接
搜索引擎在对网页进行收录和排序时，首先需要搜索引擎爬虫来抓取网页。所以针对搜索引擎爬虫的优化，算是 SEO 的第一环。
去年在 AliExpress SEO 工作中遇到了一些搜索引擎爬虫的问题（主要是 Googlebot），比如爬虫抓取过量导致服务器崩溃、弹窗广告被搜索引擎判断为体验差、JavaScript 内容如何更好的抓取等。因此，我们启动了一个爬虫优化的专项 - “蜘蛛侠项目”，最后效果也不错：每天整体抓取量提升了几亿，流量提升了几十万，虚拟机也下线了几百多台。
中间有些方案是国内首创，甚至是国际首创，所以我还是比较开心的
1. 整体内容
搜索引擎爬虫的 SEO 优化，主要分为这几个部分：
- 抓取稳定性机制的建立 - 解决了服务器被搜索引擎爬虫抓崩的问题
- 搜索引擎爬虫的体验优化 - 解决了弹窗广告被爬虫判断为负面体验，流量影响的问题
- SEO 差异化承接，包含人虫分离、缓存、SSR - 解决了 JavaScript 内容抓取的问题，也提升了整体抓取效率、降低了内部服务器成本
2. 爬虫稳定性机制的建立
事情要从一次 P0 bug 说起。有一天我被叫去参加一个 P0 bug 的分析会：AliExpress 的搜索服务器崩了，用户无法正常站内搜索。后来发现 “罪魁祸首” 就是 Googlebot，抓取量突然提升了一倍，导致搜索服务器负载过高。开发同学也理解爬虫量的增加对 SEO 有帮助，但为了保证用户在站内正常搜索，只能把搜索引擎爬虫屏蔽了。
根据之前的经验，搜索引擎爬虫无法正常抓取时，会认为频道/网站无法正常访问（当时网站是返回验证码网页，还是200返回码），然后会大范围降低网站的排名和流量。于是，我马上提出了一版爬虫稳定性方案：当爬虫 QPS 超过一定“水位”时，返回对爬虫友好的状态码（429/500/503），告诉 Googlebot 目前是网站服务器压力过大，需要降低抓取频率；当爬虫访问在可接受范围内，就正常返回网页（ 200 状态码）。当这个方案上线后，爬虫收到了信号，马上调低了抓取频率，服务器状态也迅速恢复正常。最后，我们将这套机制沉淀了下来，形成了一套长期可用的爬虫稳定性机制。
值得一提的是，双十一也成功应用了这个方案。大促期间为了保障用户的正常访问，就调低了爬虫的 QPS，把爬虫抓取限制在较低的范围。大促后，爬虫 QPS 设置恢复正常，SEO 流量完全正常，并没有出现往年大促抓取异常导致流量下降的情况。
3. 搜索引擎爬虫的体验优化
在当前电商 SEO 领域，一般无线端的流量比例是高于 PC 端的，但难受的是这部分流量的转化远低于 PC（这中间可能有网络、设备、网站基建等原因）。AliExpress 为了提升无线端流量的利用效率，在用户访问时有个全屏遮罩的弹窗广告，引导用户下载 APP 再转化。但其实这类弹窗其实是非常伤害用户体验的，Google 在一个文档里也说过这类弹窗对用户体验的伤害，并且在排名上会有较大的影响（百度也有体验优化的文档提到广告的问题）。为了流量提升，我需要把这个弹窗下掉。第一期在不影响 APP 下降量的基础上，我针对 Googlebot 和其他搜索引擎爬虫下掉了这个弹窗。也就是说，当搜索引擎爬虫访问时，这个页面是不展示这个弹窗广告的；当用户访问时，弹窗广告还是正常显示。果然，下掉弹窗广告的第二周，SEO 流量就有了明显提升，最后粗估大概有 10 万+的流量提升吧。后续，在和其他团队一起推动下，用户侧的弹窗广告也下掉了，改成了对体验更友好，更智能的广告形式。这是后话了。
3.1. 如何区分搜索引擎爬虫
有一些用户可能会有疑问，如何区分搜索引擎呢？主要是通过访问时的 User-Agent 字段来判断。一般搜索引擎爬虫，都会有个固定的 User-Agent 的值。
以下是我整理的2个搜索引擎的特征字段：
| 搜索引擎 | 特征字段 | 官方文档 |
| Googlebo | https://developers.google.com/search/docs/advanced/crawling/overview-google-crawlers?hl=en&visit_id=637570336155585559-1748790381&rd=1 | |
| 百度 | Baiduspide | https://help.baidu.com/question?prod_id=99&class=476&id=2996 |
4. SEO 差异化承接 - 包含人虫分离、缓存、CSR+SSR
从弹窗开始，我意识到很多类似的场景：网站在针对用户浏览时，希望展示 coupon/code 来提升转化，也希望放上广告增加商业化收入，但在针对爬虫抓取时，希望网站越简单、越快越好。也就是说，其实同一套页面承载了两类用户的需求：真实的访问用户、搜索引擎爬虫。而且这两类的诉求并不完全一致的（如图架构1.0）。其实，AliExpress 也有个解决方案，就是做两套页面（2 个 URL），一套服务于真实用户的访问，一套是服务于搜索引擎爬虫的抓取（如图架构1.1）。但仍有个比较严重的问题，就是这两套页面都去做了 SEO 投放，内容高度重复，也就有了权重分散、排名内部打架的情况。所以我提出了新的方案，就是 SEO 差异化承接（如图架构2.0）。主要内容是：
- 同一个页面（1个 URL）根据真实用户、爬虫访问时返回不同的模版；
- 当真实用户访问时，展示 SEO 用户定制页面，主要考虑承接转化、商业化。比如放上新人的 coupon/code、P4P 广告等；
- 当搜索引擎爬虫访问时，展示爬虫定制页面，主要保证页面易抓取、易分析、良好体验，比如内容同步、页面缓存、结构化数据、代码精简、无弹窗等；
- 另外，两个页面的主体内容保持完全一致，避免被搜索引擎判断为作弊；
- 在实施侧，最好用同一个模版实现差异化，减少整体的开发成本。
这样既可以实现 SEO 用户的精细化运营、商业化，又能保证 SEO 流量正常增长。
最后，这个方案在开发同学的支持下逐渐实现，效果当然也很不错：
- 直接指标 - 整体抓取量提升了几亿，目前涨幅 50%+
- 间接指标 - 部分国家站的收录翻了一倍，流量也有 20～40% 的增长。
人虫分离是什么
其实就是把真实访客和搜索引擎爬虫分开，具体的实现方式就是使用前文讲的 User-Agent 的方式来区分。分开之后，就可以有不同的策略：针对用户主要做承接转化、针对爬虫主要做易于爬虫的抓取和分析。
针对爬虫的缓存
说实话，针对爬虫的缓存是最有效果的一部分。因为一方面，缓存能大大提升爬虫的抓取效率，另一方面，也能极大的降低服务器的成本。爬虫访问一个页面时，每次都需要实时调用服务器来获取一些数据（因为现在都是动态网页），所以有一些跟服务器的握手时间。另外，因为爬虫每天的抓取量巨大，对服务器也是一个不小的压力（参考第一部分服务器被抓挂的案例）。所以，我们把网页做了静态缓存放在服务器上，每次爬虫来抓取时直接返回这个静态缓存页面，无需动态获取数据。在提升抓取速度的同时，服务器的压力也得到了释放。当然，中间也有一些缓存策略，比如主动缓存和被动缓存、缓存频道的选择、缓存时间的选定等。
SSR+CSR
之前在《JavaScript SEO》提到过，Googlebot 已经具备了 JavaScript 内容的解析能力，但同步化仍是效率更高的方式，因为 JavaScript 渲染还是有一些成本。所以在人虫分离的架构下，就可以考虑采用 SSR+CSR 的实现方式：
- 针对爬虫，采用 SSR 的方式，方便用户直接获取到内容，不需要 JavaScript 引擎的渲染
- 针对用户，采用 CSR 的方式，更有利于用户体验，比如 LCP、CLS 等性能指标的优化
参考网页
- 《减慢 Googlebot 的抓取速度》 https://developers.google.com/search/docs/guides/reduce-crawl-rate?hl=zh_cn
- 《实现动态呈现》 https://developers.google.com/search/docs/guides/dynamic-rendering
- 《JavaScript SEO 完全指南》 https://www.zhidaow.com/post/javascript-seo-2021
文章被以下专栏收录
