西安网站建设

如何提高spider抓取网站？提高spider抓取策略

浏览次数：1542　时间：2019-05-24 08:41:40

SEO网站优化SEOER，每天都要时刻关注百度蜘蛛有没有来抓取网站，抓取了网站哪些内容，没有抓取网站哪些内容，再没有抓取的页面上观察调整网站的问题。

想要提高爬虫抓取频率可以从几个方面着手，简单介绍提高spider抓取网站的策略。

提高spider抓取策略有哪些？

一、抓取友好性：抓取压力调配降低对网站的访问压力

带宽造成访问压力大，会直接影响网站的正常用户访问，为了不影响网站的正常用户访问，又能让spider抓取有价值性的页面。

1、IP压力控制

如果一个域名下存在多个IP，或者是多个域名下对应同一个IP，需要根据IP和域名多种条件进行压力调配控制。也可以在站长平台中使用压力反馈工具，人工调配对网站的抓取压力，这样spider会优先根据站长的要求进行抓取压力控制。

2、站点的抓取速度

如果在同一个站点，抓取速度控制有两类：第一类，一段时间内的抓取频率；第二类，一段时间内的抓取流量。同一个站点在不同的时间内抓取的速度是不同的，根据站点的类型来设置。

二、常用抓取返回码示意

1、404：“NOT FOUND”，表示该网页已经失效，通常在库中删除，spider如果发现这条URL是不会抓取的。

2、503：“Service Unavailable”，表示该网页暂时不能访问。网页返回503状态码，百度spider不会直接删除这条URL，再访问多次的情况下，网页如果恢复正常，就能正常抓取。如果继续返回503，才会认为是失效链接，从库中删除。

3、403：“Forbidden”， 表示该网页目前禁止访问。如果生成的是新的URL，spider是暂时不会抓取，也是会再访问多次；如果是被收录的URL，不会直接删除，短期内同样反复访问几次。如果网页正常访问，则正常抓取；如果仍然禁止访问，那么这条URL也会被认为是失效链接，从库中删除。

4、301：“Moved Permanently”， 表示该网页重定向到新的URL。如果站点需要更换域名、站点改版的情况下，需要设置301重定向，也可以在站长平台上网站改版工具提交，有效减少网站的流量损失。

三、多种URL重定向的识别

为了让spider能够对多种URL重定向的识别，重定向分别有三类：HTTP 30x重定向、Meta refresh重定向和JS重定向。百度目前也支持Canonical标签。

四、抓取优先级调配

想让搜索引擎抓取网站全部页面，是没有百分百的。所以需要在抓取系统设计抓取优先级调配。

抓取优先级调配包含：宽度优先遍历策略、PR优先策略、深度优先遍历策略等等。根据实际情况结合多种策略使用完善抓取效果。

五、重复URL的过滤

网站出现重复的URL过多，会引发被降权。

重复页面可以使用301重定向，在服务器端对标准URL进行定义。把不标准的URL都301重定向到标准的URL上。

六、暗网数据的获取

暗网数据指的是搜索引擎无法抓取的数据。主要因为网站上的数据都在网络数据库中，spider很难抓取中获得完整内容；其次网络环境和网站本身不符合规范等问题，导致搜索引擎无法抓取。

解决暗网数据的问题，可以通过百度站长平台数据提交的方式来解决。

七、抓取反作弊

Spider在抓取过程中会抓取到低质量页面或者是被黑的页面。通过分析URL特征、页面的大小等等原因，完善的抓取反作弊。