百度官方公開課：網站抓取建設指南!

大家好，今天百度資源平臺官方直播了一節公開課，主要是和大家說說網站抓取和收錄的一個原理，這里我給大家做了詳細的筆記(一字不漏)，看完以后，可以說做收錄基本上不是什么大問題了。

百度爬蟲工作原理

首先百度的抓取器會和網站的首頁進行交互，拿到網站首頁之后會對頁面進行理解，理解包含(類型、價值計算)，其次會把網站首頁的所有超鏈接提取出來。如下圖所示，首頁的超鏈接被稱為“后鏈”，等到下一輪抓取的時候，抓取器會繼續和這些超鏈接的頁面進行交互，拿到頁面進行提煉，依次不斷一層一層的抓取，這就構成了抓取環路。

抓取友好性優化

1、URL規范：

任何一個資源都是通過URL來抓取的，URL相對于網站的門牌號，那么URL的規劃就非常重要了。尤其是如上圖所示，“待抓URL”的環境，爬蟲在首頁的時候，并不知道URL是什么樣子。

優秀的URL的特點是主流的、簡單的，竟可能不要去做一些非主流的樣式，讓人看起來很直觀的URL。

優秀URL示例：

如上圖所示，第一條是百度知道的鏈接，整個鏈接分成三段，第一段是網站的站點，第二段是資源類型，第三段是資源的ID。這種就是非常簡單，并且爬蟲看起來非常優質的URL。

如上圖所示，第三條相對百度知道多了一個段，首先第一段是網站的站點，第二段是站點的一級目錄，第三段是站點的二級目錄，最后一段是站點的內容ID。像這種的URL也是符合標準的。

不友好的URL示例：

百

如上圖所示，這種鏈接一看就很長很復雜，有經驗的站長都看得出，這種URL包含了字符，這個URL內包含了文章的標題，導致URL偏長，一個偏長的URL相對比簡單的URL是不占優勢的，百度站長平臺的規則有明確的說到URL不能超過256字節，個人建議URL長度控制在100字節之內，100個字符足夠展現出URL的資源了。

如上圖所示，這段URL包含統計參數，可能會導致重復抓取，浪費站點權益，所以竟可能不使用參數，如果一定要使用參數，那么也可以保留必要參數，參數字符竟可能使用常規的連接符，比如“?”、“&”，避免非主流連接符。

2、合理發現鏈路：

爬蟲是從首頁開始一層一層抓取的，所以就需要做好首頁與資源頁的URL關系。這樣爬蟲抓取相對而言比較省力。

如上圖所示，從首頁到具體內容的超鏈路徑關系叫做發現鏈路，目前大多數移動站沒有太注意發現鏈路的關系，所以導致爬蟲無法抓取到內容頁。

如上圖所示，這兩個站點是移動網站常見的建站方式，從發現鏈路的角度來講，這兩類站點是不友好。

Feed流推薦：大多數做feed流的站點后臺是有非常多的數據，用戶不斷的刷會有新的內容出現，但你刷新的次數再多，可能也只能刷到1%左右的內容，而爬蟲相當于一個用戶，爬蟲不可能做到以這種方式將網站所有的內容都爬取到，所以就會導致一些頁面爬蟲不到，即使你有100萬的內容，可能只能抓取到1-2萬。

僅有搜索入口：如上圖所示，首頁只有一個搜索框，用戶需要輸入關鍵詞，才能找到對應的內容，但爬蟲不可能做到輸入關鍵詞然后再去爬取，所以爬蟲只能爬取到首頁后，就沒有后鏈了，自然抓取和收錄就會不理想。

解決方案：索引頁下的內容按發布時間逆序排序的，這樣做有一個好處，搜索引擎可以通過索引頁即使的抓取到你網站最新的資源，另外新發布的資源要實時在索引頁同步，很多純靜態的網頁，內容更新了，但是首頁(索引頁)卻沒有出來，這樣會導致搜索引擎通過索引頁無法即使的抓取到最新的資源，第三個點是后鏈(最新文章)的URL需要直接在源碼在露出，方便搜索引擎抓取，最后就是索引頁不是越多越好，有少數優質的索引頁就足夠了，比如長城號，基本上只利用首頁來做索引頁。

最后這里和大家說一個更高效的解決方案，那就是直接通過百度站長資源平臺去主動提交資源，這樣搜索引擎可以繞過索引頁直接抓取到最新資源，這里需要注意兩個點。

Q：資源提交是不是越多越好?

A：收錄效果的核心永遠是內容質量，如果大量提交低質、泛濫資源會導致懲罰性打擊。

Q：為什么提交了普通收錄但沒有抓?

A：資源提交只能加速資源發現，不能保證短時間內抓取，當然百度方面表示，算法在持續優化，讓優質的內容更快得到抓取。

3、訪問友好性：

抓取器要和網站進行交互，要保證網站的穩定的，抓取器才能夠正常的爬取。那么訪問友好性主要包括以下幾個方面。

訪問速度優化：加載時間建議控制在2S以內，那么無論是用戶還是爬蟲，對于打開速度更快的網站，都會更加青睞，其次是避免非必要的跳轉，這種情況雖然是少部分，但依然有網站出現很多級的跳轉，那么對于爬蟲來講，很有可能在多級跳轉的同時就斷開了。常見的有做了不帶www的域名跳轉到帶WWW的域名上，然后帶WWW的域名又要跳轉到https上，最后更換新站，這種情況就出現了三四級的跳轉。如果出現類似網站改版，建議直接全部跳轉到新域名上。

規范http返回碼：我們常見的301/302的正確使用，以及404的正確使用，主要是常規的問題，用常規的方式來解決，比如遇到無效資源，那么就使用404來做，不要用一些特殊的返回狀態碼了。

訪問穩定性優化：首先盡可能選擇國內大型的DNS服務，以保證站點的穩定性，對于域名的DNS，實際上阿里云還是比較穩定靠譜的，那么其次是謹慎使用技術手段封禁爬蟲抓取，如果說有特定資源不希望在百度上展現，那么可以采用robots來屏蔽，比如說網站的后臺鏈接，大多數都是通過robots屏蔽的。如果說抓取頻次太高，導致服務器壓力過大，影響用戶正常訪問，那么可以通過資源平臺的工具降低抓取頻率。其次是避免防火墻誤封禁爬蟲抓取，那么這里建議大家可以把搜索引擎的UA加入到白名單。最后一點是服務器的穩定性，特別是在短時間內提交大量優質資源，這個時候一定要關注服務器穩定性，因為當你提交大量資源后，爬蟲會隨之增加，這個時候會不會導致你服務器壓力過大而打不開，這個問題是需要站長關注的。

如上圖所示，這三個例子就是第三方防火墻攔截的一個狀態，當正常用戶打開是這個狀態的時候，搜索引擎抓取的時候，也會處于這個狀態，所以如果遇到CC或者DDOS的時候，我們開啟防火墻的前提，一定要放開搜索引擎的UA。

4、識別百度爬蟲

對于部分網站，可能對用戶方面有特殊的優化，可能有網站想把用戶和爬蟲區分開來做優化，所以這個時候就需要識別百度爬蟲。

首先用簡單的方法，我們可以通過百度的UA來識別出百度爬蟲，那么目前來講百度PC、移動、和小程序是三個不同的UA，那么通過簡單的識別方法，有出現有第三方的爬蟲模擬百度爬蟲，導致你識別不出來。那么這個時候，咱們可以通過雙向DNS解析認證來區分，具體參考《輕松兩步：教你快速識別百度蜘蛛》。

問答環節

Q：新站會不會有一個的抓取限制?

A：對于任何一個新站來講，都沒有抓取限制，不過去年開始，我們已經開始對新站有一個扶持，讓你的網站，先在百度上收錄起來。然后再進行一個價值判斷，那么如何讓百度知道你是一個新站，有兩個捷徑，第一個是去百度資源平臺提交，第二個點是去工信部做ICP的備案，我們可以從工信部拿到ICP備案的數據，備案之后我們就知道有人建了一個新的站點，這樣就可以給新站一個基礎的流量扶持。

Q：每個站點蜘蛛抓取的配額都會有調整，大概多久調整一次?

A：確實會有調整，對于新資源會與你抓取頻率相關，對于舊資源會與你內容質量相關，如果說新資源的質量有變化，那么抓取頻率也會有變化，網站的規模有變化，那么抓取的頻率也會有變化，如果說有很大的改版，那么抓取頻率相對而言也會有變化。

Q：網站降權能不能恢復?

A：網站降權恢復的前提是我們會對網站進行重新評估，查看網站是不是有整改，如果有整改是不是做了404，并且有提交到資源平臺，如果說完全符合要求后，搜索引擎會經過評估后，對沒有違規的網站進行恢復。

Q：新站點是不是有考核期?

A：對我們來講是沒有一個考核期這么一個東西，我們前面也講到了，竟可能會對新站的一個流量扶持，假設一個新站點流量扶持1-2個月以后，發現網站繼續保持這種狀態，那么就不會有一個太大的調整，當發現網站質量有明顯的提升，那么我們也會相應的提升百度排名。

Q：百度對外國的服務器和國內的服務器有沒有區別對待?

A：策略角度上來件，沒有硬性區別對待，但是很多外國的服務器對國內部分區域封禁，以及國外服務器網站備案的角度上來講，國內的服務器都具有優勢。

Q：新站舊域名是不是更有優勢?

A：如果說老域名和新站是相同的內容，確實在起步階段有一定的優勢，但僅僅是起步階段，后期還是要看內容的質量，特別要注意的是，如果說老域名的行業和你新網站的內容不相關，即使是所謂高權重的老域名，也會適得其反。百度會認為你今天做這個，明天做那個，效果還不如重新做一個新域名。

Q：蜘蛛是不是有權重之分，比如220和116這種高權重蜘蛛?

A：蜘蛛是沒有權重之分的，網站的排名最主要是取決于網站的質量。

作者：馮耀宗    微信：394062665