“搜索引擎蜘蛛”這個(gè)詞相信很多人都有點(diǎn)陌生，其實(shí)他的意思就是在搜索引擎系統(tǒng)中又被稱之為“蜘蛛”或“機(jī)器人”，是用來(lái)爬行和訪問頁(yè)面的程序。今天，成都網(wǎng)站優(yōu)化小編就來(lái)和大家分享下搜索引擎蜘蛛的爬行和抓取頁(yè)面的原理。希望對(duì)大家有所幫助。

　　一、搜索引擎蜘蛛簡(jiǎn)介

　　搜索引擎蜘蛛，在搜索引擎系統(tǒng)中又被稱之為“蜘蛛”或“機(jī)器人”，是用來(lái)爬行和訪問頁(yè)面的程序。

　?、?爬行原理

　　搜索引擎蜘蛛訪問網(wǎng)頁(yè)的過程，就好比用戶使用的瀏覽器。

　　搜索引擎蜘蛛向頁(yè)面發(fā)出訪問請(qǐng)求，該頁(yè)面的服務(wù)器則返回該頁(yè)面的HTML代碼。

　　搜索引擎蜘蛛將收到的HTML代碼存入搜索引擎的原始頁(yè)面數(shù)據(jù)庫(kù)中。

　　② 如何爬行

　　為了提高搜索引擎蜘蛛的工作效率，通常采用多個(gè)蜘蛛并發(fā)分布爬行。

　　同時(shí)，分布爬行還分為兩種模式：深度優(yōu)先和廣度優(yōu)先。

　　深度優(yōu)先：沿著發(fā)現(xiàn)的鏈接一直爬行，直到?jīng)]有任何鏈接。

　　廣度優(yōu)先：先這一頁(yè)面上的所有鏈接爬行完畢之后，才會(huì)沿著第二層頁(yè)面繼續(xù)這樣爬行。

　?、?蜘蛛必遵守的協(xié)議

　　搜索引擎蜘蛛在訪問網(wǎng)站之前，都會(huì)先訪問網(wǎng)站根目錄下的robots.txt文件。

　　搜索引擎蜘蛛不會(huì)去抓取robots.txt文件中禁止爬行的文件或目錄。

　?、?常見搜索引擎蜘蛛

　　百度蜘蛛：Baiduspider

　　谷歌蜘蛛：Googlebot

　　360蜘蛛：360Spider

　　SOSO蜘蛛：Sosospider

　　有道蜘蛛：YoudaoBot，YodaoBot

　　搜狗蜘蛛：Sogou News Spider

　　必應(yīng)蜘蛛：bingbot

　　Alexa蜘蛛：ia_archiver

　　二、如何吸引更多搜索引擎蜘蛛

　　互聯(lián)網(wǎng)信息爆炸，搜索引擎蜘蛛不可能將所有網(wǎng)站的所有鏈接全部爬行到，那么如何吸引更多的搜索引擎蜘蛛到我們網(wǎng)站上來(lái)爬行變得非常重要。

　　① 導(dǎo)入鏈接

　　無(wú)論是外部鏈接，還是內(nèi)部鏈接，只有有導(dǎo)入，才能被搜索引擎蜘蛛知道該頁(yè)面的存在。所以，多多做外鏈建設(shè)有助于吸引更多蜘蛛來(lái)訪。

　?、?頁(yè)面更新頻率

　　頁(yè)面更新頻率越高，搜索引擎蜘蛛來(lái)訪的次數(shù)也會(huì)越多。

　?、?網(wǎng)站和頁(yè)面權(quán)重

　　整個(gè)網(wǎng)站的權(quán)重以及某一頁(yè)面的權(quán)重(包括首頁(yè)也是頁(yè)面)影響著蜘蛛的來(lái)訪頻率，權(quán)重高、權(quán)威性強(qiáng)的網(wǎng)站一般都會(huì)增加搜索引擎蜘蛛的好感。

　?、?與首頁(yè)的距離

　　首頁(yè)>一級(jí)目錄>二級(jí)目錄>三級(jí)目錄>四級(jí)目錄…很顯然，目錄越深蜘蛛來(lái)訪的幾率和次數(shù)就會(huì)越少，因?yàn)橐话阃怄湺际侵赶蚴醉?yè)的，首頁(yè)再向下爬行，只會(huì)越來(lái)越少。

　　這里給大家的建議是，做外鏈的時(shí)候，不要只做首頁(yè)外鏈，偶爾做一做欄目和聚合頁(yè)面的外鏈也還是不錯(cuò)的哦~

　　有些時(shí)候，URL短，蜘蛛可能也會(huì)覺得這個(gè)鏈接的權(quán)重哦，所以，最好只做一級(jí)欄目，然后就是文章頁(yè)面。

　　三、搜索引擎蜘蛛地址庫(kù)

　　搜索引擎蜘蛛有一個(gè)專門的地址庫(kù)，用來(lái)存放已經(jīng)被發(fā)現(xiàn)的URL(已被抓取和未被抓取的都算，只要是被發(fā)現(xiàn)的URL都算)，這樣就不會(huì)出現(xiàn)重復(fù)爬行和抓取頁(yè)面的情況了。

　?、?地址庫(kù)URL來(lái)源

　　蜘蛛抓取的頁(yè)面中發(fā)現(xiàn)的新的URL;

　　站長(zhǎng)后臺(tái)自主提交的URL;

　　站長(zhǎng)后臺(tái)提交的XML地圖中的URL;

　　站長(zhǎng)后臺(tái)提交的網(wǎng)站URL;

　?、?對(duì)于未被抓取的URL

　　對(duì)于未被抓取的URL，不管是以什么方式獲取的，哪怕是搜索引擎蜘蛛自己發(fā)現(xiàn)的，也會(huì)先放入地址庫(kù)中，然后在做統(tǒng)一抓取。

　　四、頁(yè)面數(shù)據(jù)存儲(chǔ)

　　搜索引擎蜘蛛將抓取的頁(yè)面數(shù)據(jù)會(huì)存入搜索引擎的原始頁(yè)面數(shù)據(jù)庫(kù)中，其實(shí)，就可以理解為快照中看到的頁(yè)面數(shù)據(jù)，和用戶看到的是一樣的，每一個(gè)頁(yè)面的URL地址都有一個(gè)唯一的編號(hào)。

　　五、復(fù)制內(nèi)容檢測(cè)

　　搜索引擎蜘蛛在爬行的過程中，會(huì)進(jìn)行一定程度的復(fù)制內(nèi)容檢測(cè)。如果是權(quán)重低的網(wǎng)站上，發(fā)現(xiàn)了大量的轉(zhuǎn)載或抄襲內(nèi)容時(shí)，可能會(huì)停止爬行，這些頁(yè)面可能也會(huì)不抓取與收錄。

　　但并不是說(shuō)網(wǎng)站就不能轉(zhuǎn)載，像一些權(quán)重很高的平臺(tái)，哪怕是轉(zhuǎn)載了一篇舊聞排名也可以很好，因?yàn)樗阉饕嬷┲肟赡軙?huì)覺得，就算是舊聞可能也是高質(zhì)量的吧。