您的位置 AB分类目录 > 百科资讯 >

网络爬虫的分类与策略-百度蜘蛛详解

导读:网络爬虫是SEO人员应该学习的基础知识之一,认识和理解网络爬虫有助于更好地优化网站。今天,SEOBOOK带来的是《网络爬虫的分类与策略-百度蜘蛛详解》。希望对大家有所帮助。 一、…

网络爬虫是SEO人员应该学习的基础知识之一,认识和理解网络爬虫有助于更好地优化网站。今天,SEOBOOK带来的是《网络爬虫的分类与策略-百度蜘蛛详解》。希望对大家有所帮助。

网络爬虫

一、网络爬虫的分类和策略分别是什么

1、网络爬虫是什么?

网络爬虫,是指按照一定的规则、自动抓取互联网上信息的程序组件或脚本程序。在搜索引擎中,网络爬虫就是搜索引擎发现和抓取文档的自动化程序。

2、网络爬虫产生的背景

互联网信息大爆炸,人们不满足于仅仅依靠开放目录等传统方式在网络上寻找一些东西,为了满足不同的人的不同需求,于是出现了网络爬虫。

3、网络爬虫面临的问题

在上一篇文章《搜索引擎的基本架构》中提到的,搜索引擎架构的两个目标是效果和效率,这同样也是对网络爬虫提出的要求。面对亿级网页数量,重复内容很高,在SEO行业重复率可能在50%以上,网络爬虫面临的问题是为了提高效率和效果,就需要在一定的时间内获得更多有高质量页面,摒弃那些原创度低、复制内容、拼接内容等页面。

PS:当然,在大网站发布出来的文章,尤其大站效应,尽管不是首发,但依然排名很好,甚至比首发站排名还好。

4、网络爬虫的分类和策略

网络爬虫有很多种类,错误君简单介绍以下几种:

1)通用网络爬虫

通用网络爬虫,又称为“全网爬虫”,从一些种子网站开始爬行,逐步扩展到整个互联网。

通用网络爬虫策略:深度优先策略和广度优先策略。

2)聚焦网络爬虫

聚焦网络爬虫,又称为“主题网络爬虫”,预先选择一个(或几个)相关主题,仅爬行并抓取这一类的相关页面。

聚焦网络爬虫策略:聚焦网络爬虫增加了链接和内容评价模块,所以其爬行策略的关键是评价页面的链接和内容后再进行爬行。

3)增量式网络爬虫

增量式网络爬虫,是指对已经收录的页面进行更新、爬行新页面和发生变化的页面。

增量式网络爬虫策略:广度优先策略和PageRank优先策略等。

4)Deep Web爬虫

搜索引擎蜘蛛可以爬行并抓取的页面称之为“表层网页”,某些不能通过静态链接获得的页面称之为“深层网页”,Deep Web爬虫就是抓取深层网页的爬虫体系。

小结:一般来讲,网络爬虫抓取策略分为三种:

a、广度优先

搜索完当前页面所有链接,才开始进入下一层。

b、最佳优先

根据一定的网页分析算法,比如链接算法和页面加权算法等,优先抓取更具有价值的页面。

c、深度优先

顺着一个链接一直爬行,直到某一页面再也没有链接,再开始爬行另外一条。但是一般都是从种子网站开始抓取,如果采用这种形式可能会造成抓取的页面质量越来越低,所以这种策略使用较少。

二、百度蜘蛛是什么?百度搜索引擎蜘蛛详解

1、百度蜘蛛是什么

百度蜘蛛,全称应该为“百度搜索引擎蜘蛛”,英文为“Baidu Spider”,是百度搜索引擎系统中的一个自动程序,主要负责访问并收集互联网上的页面。后面其他程序会进行分类整理并建立索引数据库,在用户在百度搜索时,会从索引数据库中调用数据,并呈现出程序认为最合适的排名结果页面。

2、百度蜘蛛的工作原理

1)百度蜘蛛是如何爬行的

百度搜索引擎蜘蛛访问(爬行)网站页面的过程和我们平时使用浏览器基本相同。

a、百度蜘蛛请求

百度搜索引擎蜘蛛发出页面访问的请求。

b、服务器响应

服务器返回HTML代码。

c、百度蜘蛛保存代码

百度搜索引擎蜘蛛将收到的代码保存至原始页面数据库中。后期其他程序会进行复杂操作,大部分优质内容会被放入索引数据库,一部分低质将会被忽略。

2)百度蜘蛛是如何工作的

百度搜索引擎蜘蛛为了提高爬行和抓取的效率,采用多个蜘蛛并发分布爬行。有两种策略。

a、深度优先

深度优先是顺着链接一直向前爬行,直到前面再也没有其他链接,然后返回第一个页面,沿着另外一个链接继续一直往前爬行。

b、广度优先

广度优先是指先爬行当前页面上的所有导出链接,然后再去爬行某一导出链接页面上的所有链接。

3)百度蜘蛛还做了哪些工作

a、深度优先对网站复制内容的检测

对于某些权重较低的网站复制内容过多,搜索引擎蜘蛛可能就不会再继续爬行。

b、不爬行与抓取地址库中的URL

百度搜索引擎建立一个地址库,如果url已经在地址库中,百度搜索引擎蜘蛛就不会重复去爬行与抓取,所以,百度蜘蛛在发现链接后,并不是马上去访问,而是先将URL存入地址库中,然后统一安排抓取。

4)通常地址库的URL有几种来源

a、百度搜索引擎蜘蛛抓取

主要来源之一。

b、站长sitemap提交

网站站长为了网站文章更快被搜索引擎所收录,通常会提交网站的XML地图给搜索引擎,XML地图包含了网站所有的链接。

c、站长提交网址

站长可以提交未被百度收录的网站首页或内容页。

d、百度工作人员主动录入种子网站

百度搜索引擎会把认为网站比较重要,比较有前途的网站主动人工录入。

3、怎么让百度蜘蛛每天抓取

秒收录是每一个站长的心愿,原来做到秒收录确实挺难的,可现在有了百度熊掌号,原创优质文章几乎可以达到秒收录,不过官方声明为1小时内收录。除了百度熊掌号外,还有几点可以吸引百度蜘蛛每天来抓取我们的网站。

1)页面更新频率

网站更新文章频率越高越好,前提是保证文章质量与原创比例的前提下。

2)导入链接

网站导入链接越多越好,前提是优质的导入链接,友链和单向外链均可。

3)URL结构

URL结构要扁平化,浅一些可能收录效果会更好。

4)网站权重

网站权重越高,蜘蛛来访越频繁,都是相辅相成的。

5)与首页的距离

文章页面最好与首页不要太远,如三级即可。

6)页面质量

文章质量一定要保证,原创优质文章也好,转载的文章也好,总之一定要优秀。

4、如何查看百度蜘蛛是否过来网站

可以通过查看网站日志进行分析。Windows服务器的IIS与Linux服务器的apache都有记录网站日志的功能。

5、如何辨别百度蜘蛛

百度官方给出的辨别百度蜘蛛的方法如下。

1)查看UA

首先要UA正确,百度公布过的UA有如下这些。

移动UA:Mozilla/5.0 (Linux;u;Android 4.2.2;zh-cn;) AppleWebKit/534.46 (KHTML,likeGecko) Version/5.1 Mobile Safari/10600.6.3 (compatible; Baiduspider/2.0;+http://www.baidu.com/search/spider.html)

PC UA:Mozilla/5.0 (compatible; Baiduspider/2.0;+http://www.baidu.com/search/spider.html)

新增渲染UA:

移动UA:Mozilla/5.0 (iPhone; CPU iPhone OS 9_1 likeMac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko) Version/9.0 Mobile/13B143Safari/601.1 (compatible; Baiduspider-render/2.0; +http://www.baidu.com/search/spider.html)

PC UA:Mozilla/5.0 (compatible;Baiduspider-render/2.0; +http://www.baidu.com/search/spider.html)

2)反查IP

可以通过dns反差ip的方法判断是否是百度蜘蛛,只要不是来自“. baidu . com”或“. baidu . jp”即为假冒的百度蜘蛛。

6、如何诊断百度蜘蛛是否能够正常抓取网站内容

百度seo教程认为很多网站因使用JavaScript代码或框架结构等问题,不能被百度蜘蛛所抓取。这里进行诊断也是为了防止蜘蛛来网站后,因为不能正常抓取而离开,导致网站收录很差,快照不更新等问题。

如果诊断结果有问题,则需要修正问题,提升与百度蜘蛛的友好度。

百度官方在线抓取诊断工具如下图所示,选好网站(主页或其他页面)后,选择PC UA 或者移动UA,最后点击“抓取”即可。

加图+++++

稍等片刻,刷新页面会显示“抓取成功”,或者失败。可以点击查看“抓取成功”或失败的详细信息。

加图+++++

7、如何通过百度蜘蛛IP得知网站状态?

百度seo教程认为以下内容仅供参考。

1)抓取你网站的网页蜘蛛

60.172.229.61

61.129.45.72

61.135.162.*

2)百度竞价蜘蛛

61.135.165.134

117.34.74.66

118.122.188.194

119.63.196.9

125.39.78.185

3)百度统计的蜘蛛

61.135.186.*

4)站长工具的模仿的百度蜘蛛

61.147.98.146

61.188.39.16

113.98.254.245

117.21.220.245

117.28.255.42

5)搜外站长工具的模仿的百度蜘蛛

124.248.34.52

6)114站长工具箱模仿的百度蜘蛛

119.147.114.213

121.10.141.*

7)百度图片蜘蛛

123.15.**.**

8)抓取网站内页收录的权重较低的非原创,需要通过一段时间考察

123.125.71.*

9)站长工具检测造成的无用

125.90.88.*

10)百度考察期蜘蛛或降权蜘蛛

159.226.50.*

180.76.5.*

180.76.5.87

220.181.158.107

11)伪装百度蜘蛛

180.149.130.*

12)新站及站点有不正常现象

183.91.40.144

203.208.60.*

13)不间断巡逻各站就是路过

210.72.225.*

14)沙盒或者有被K站

123.125.68.*

218.30.118.102

220.181.68.*

15)此ip爬过的文章或首页,绝对24小时内放出来和隔夜快照

220.181.108.*

16)百度蜘蛛IP来过,准备抓取

123.125.66.*

220.181.7.*

17)度过新站考察期

121.14.89.*

18)百度抓取首页的专用IP,网站首页快照更新快,隔夜更新

220.181.108.95

19)百度的权重IP段,抓取的文章第二天放出来,权重较高

220.181.108.92

20)综合性权重IP,抓取文章和首页,权重较高

220.181.108.91

220.181.108.75

21)抓取内页收录的,但权重较低

123.125.71.95

123.125.71.97

123.181.108.77

123.125.71.106

22)抓取网站首页的,也属于权重段,权重较高。

220.181.108.89

220.181.108.94

220.181.108.97

220.181.108.80

220.181.108.77

220.181.108.83

220.181.108.86

以上就是SEOBOOK带来的《网络爬虫的分类与策略-百度蜘蛛详解》。感谢您的观看。

AB分类目录部分内容来源于互联网,登载此文出于传递更多信息之目的,并不意味着赞同其观点或证实其描述。文章内容仅供参考,如有侵犯版权请来信告知QQ:2216876660,我们将立即处理。

为您推荐