网站蜘蛛抓取重点内容整理_百度seo优化公开课
本文基于最新百度站长平台白皮书规范,结合百度seo优化公开课的建议,对网站抓取内容进行详细的说明整理。
一、百度爬虫工作原理
抓取系统是站长服务器与百度搜索的一个桥梁,我们通常把抓取系统称之为抓取环。
举例:“抓取器”与“网站服务器”交互抓取首页,进行对页面进行理解,包含类型、价值的计算,此外还会把页面所有超链接提取出来,提取出来的链接叫“后链”,后链是下一轮抓取的链接集合。下一轮抓取会从上一轮的后链选择需要抓取的数据去抓取,继续和网站交互获取页面提取链接,反复不断一层一层循环构成抓取环路。
二、抓取友好性优化
1、URL规范
url尽可能不要复杂,新站刚开始抓,蜘蛛并不知道URL里面的内容什么样,url长短?是否规范?是不是被选出来(指抓取)非常关键的。
URL核心有两点:主流和简单。不要使用中文/中文编码虽然百度能识别,蜘蛛支持256个字符,建议小于<100字符。偏长URL不占有优势。
参数以及无效参数的问题?
url尽可能不要使用无效的参数“?”“&”会让一条资源,在蜘蛛没有抓取的情况下抓取多个相同内容,不同url导致重复抓取,浪费站点的权益。
尽可能不适用参数,或者精简参数,仅保留必要参数,不要使用- #等连接符。
2、合理发现链路
蜘蛛要尽可能的抓取完整网站资源,就需要首页到每一个资源(页面)超链接关系都做好,这样蜘蛛也会省力。
从首页到内容来的路径是从首页到栏目一再到这个内容,这个链路关系我就把它称为一个发现链路。
后链的URL要在页面源码中直接露出,不要引入一些动作触发。
最好是使用百度资源平台的资源提交工具。
3、访问友好性
抓取器和网站要进行交互,要保证服务器稳定。
4、访问速度优化
a、加载时间,建议控制在三秒以内加载,会有一定程度的优待。
b、避免非必要的跳转,而且多级跳转也会影响加载速度。
三、规范http返回码
1、DNS解析
建议中文网站尽可能使用国内大型服务商提供的DNS服务,以保证站点的稳定解析,有些dns服务商尤其是国外的,可能会封禁国内解析请求。
2、爬虫封禁
慎重使用技术手段封禁爬虫抓取
期望搜索引擎不展现特定资源(不想让蜘蛛爬取特定资源):建议采用robots屏蔽方式
期望限制爬取频率(蜘蛛爬取量过多):建议通过资源平台工具设置
警惕误封禁,例如第三方防火墙服务封禁爬虫访问
3、服务器负载稳定
特别在短时间内大量提交优质资源后,关注服务器稳定,真的很优质且量大的内容,蜘蛛爬取频次会很高的。
四、重点常见问题解答
问:资源提交是不是越多越好?
答:收录效果的核心永远是内容质量,如果大量提交低质、泛滥资源会导致被算法别识别为低质,带来惩罚性打压。
问:为什么提交了普通收录但没有抓?
答:资源提交只能加速资源发现,不保证短时间内抓取;同时技术大大在持续优化筛选算法,让优质的资源更快得到抓取
普通收录和sitemap 的作用不是提交后立马抓取,具体什么时候抓还是依赖策略的一个计算和选取。
注:所以好多新站/低质量站点刚开始提交,看不到蜘蛛爬取。
问:抓取频次的高低和网站收录是否有联系?
答:抓取频次的高低其实和网站收录的效果是没有必然联系。
抓取目的主要分成两种:
第一种 抓取网站上没有抓过的页面。
第二种 抓取已经抓取过的页面,看这个页面是不是有更新。
注:第二种抓取目的很多站长都会忽略了,已经收录抓取的页面,在一次抓取,应该不是为了发现新页面(猜测),而是看页面是否“更新”内容。
问:新站会不会有固定的抓取次数?
答:任何网站的抓取中没有一个特别固定的次数。
自己建了个新站,其实很长时间百度采取抓取问题,基于这个问题,我们也做了一些相对应的优化,对于我们能识别出来新站,相比已经抓了一段时间的站,我会做一些相对应的流量倾斜的扶持。先给你一些流量,使站长能够在百度的系统里转起来,再基于你的价值判断来看,给予你流量是高还是低,是否需要去继续去提升。
注:本节公开课是五月二十一号的,今年确实有好多已备案新站,上线抓取频次很高,大概有1-2个月扶持。很多人借助百度给的扶持期,疯狂填充低质内容, 这是一个错误的操作。
问:每个站点蜘蛛的抓取配会不会有调整?大约多久会调整一次?有没有固定时间?
答:有调整。
对于新资源的抓取和站点的质量相关,对于旧资源的抓取和站点更新频率相关。
计算出来你的站点,质量有变化,新资源抓取的频率就会发生变化。
发现你的站长规模有变化,我们抓取频次会有变化。
站点有很大的变动或改版,被识别出来,更新频率也会有相应变化。
而整体上这些计算的,不是一个特别高的频次。大概会到一个周级的变化,才能体现出来。
注:这块说的四种可能会调整,更新变化频率是周级的。
问:网站将网站降权能否恢复?
答:网站降权恢复的前提是要针对网站的内容进行全面的自查整改,按照搜索资源平台发布的算法规范自查整改之后,要把相应的违规页面提交死链,线上进行删除之后搜索会对站点评评估。站点的内容都没有违规会进行恢复。
问:新站点是否有考核期?
答:没有一个严格的称为考核期的这么一个东西,新站点会有一定一个周期,来进行流量的倾斜,让新站在我们系统里转起来,这个周期大概是月级别的。假设新站已经给你倾斜一到两个月。发现你的价值还是不够高,可能我们就不会去特别高的处理。但是我们依旧会去抓,当发现站点质量有明显提升或优质规模有提升,也会相应去提升站点抓取频次。
注:这块是画重点,已备案,新站扶持期并非固定。
问:百度对于国外服务器和国内的服务器是否会有区别对待?
答:没有。从策略角度上来讲,没有一个特别硬性的策略来说,咱们对外网的要打压,对国内的要扶持,没有这样的一个策略的。只不过国外服务器延迟高不稳定因素多。
问:如果新站用一个老域名,会不会比用新域名更有优势?
答:这个不一定,在于老域名和新站是不是相同(相关)内容,如果在原来基础包装,起步阶段是有优势的,仅仅是起步阶段有优势。后期主要依赖内容。
老域名和新站内容领域不相符尤,非常不建议使用老域名,反而会影响价值评判,还不如做一个新站。
问:蜘蛛是否有权重IP之分?
答:没有。对于网站展现曝光依赖内容质量,结合用户行为进行评价的。
注:很多人一直都认为有蜘蛛权重ip,蜘蛛每天爬取量非常大,最常见的蜘蛛只有两段IP总共512个IP,百度这种出口IP肯定不止512组服务器,集群成千上万的服务器,这512个IP是出口IP,给后方集群服务器进行代理的IP。即使真有权重服务器,但是这个权重服务器也说不准从哪一个IP出来。
问:网站最近不收录有没有建议?
答:那要结合站点的内容,你的站点发布的内容在线上已经有大量的同质的资源,就会不会再进行抓取和展现。