百度官方公开课：网站抓取建设指南!

大家好，今天百度资源平台官方直播了一节公开课，主要是和大家说说网站抓取和收录的一个原理，这里我给大家做了详细的笔记(一字不漏)，看完以后，可以说做收录基本上不是什么大问题了。

百度爬虫工作原理

首先百度的抓取器会和网站的首页进行交互，拿到网站首页之后会对页面进行理解，理解包含(类型、价值计算)，其次会把网站首页的所有超链接提取出来。如下图所示，首页的超链接被称为“后链”，等到下一轮抓取的时候，抓取器会继续和这些超链接的页面进行交互，拿到页面进行提炼，依次不断一层一层的抓取，这就构成了抓取环路。

抓取友好性优化

1、URL规范：

任何一个资源都是通过URL来抓取的，URL相对于网站的门牌号，那么URL的规划就非常重要了。尤其是如上图所示，“待抓URL”的环境，爬虫在首页的时候，并不知道URL是什么样子。

优秀的URL的特点是主流的、简单的，竟可能不要去做一些非主流的样式，让人看起来很直观的URL。

优秀URL示例：

如上图所示，第一条是百度知道的链接，整个链接分成三段，第一段是网站的站点，第二段是资源类型，第三段是资源的ID。这种就是非常简单，并且爬虫看起来非常优质的URL。

如上图所示，第三条相对百度知道多了一个段，首先第一段是网站的站点，第二段是站点的一级目录，第三段是站点的二级目录，最后一段是站点的内容ID。像这种的URL也是符合标准的。

不友好的URL示例：

如上图所示，这种链接一看就很长很复杂，有经验的站长都看得出，这种URL包含了字符，这个URL内包含了文章的标题，导致URL偏长，一个偏长的URL相对比简单的URL是不占优势的，百度站长平台的规则有明确的说到URL不能超过256字节，个人建议URL长度控制在100字节之内，100个字符足够展现出URL的资源了。

如上图所示，这段URL包含统计参数，可能会导致重复抓取，浪费站点权益，所以竟可能不使用参数，如果一定要使用参数，那么也可以保留必要参数，参数字符竟可能使用常规的连接符，比如“?”、“&”，避免非主流连接符。

2、合理发现链路：

爬虫是从首页开始一层一层抓取的，所以就需要做好首页与资源页的URL关系。这样爬虫抓取相对而言比较省力。

如上图所示，从首页到具体内容的超链路径关系叫做发现链路，目前大多数移动站没有太注意发现链路的关系，所以导致爬虫无法抓取到内容页。

如上图所示，这两个站点是移动网站常见的建站方式，从发现链路的角度来讲，这两类站点是不友好。

Feed流推荐：大多数做feed流的站点后台是有非常多的数据，用户不断的刷会有新的内容出现，但你刷新的次数再多，可能也只能刷到1%左右的内容，而爬虫相当于一个用户，爬虫不可能做到以这种方式将网站所有的内容都爬取到，所以就会导致一些页面爬虫不到，即使你有100万的内容，可能只能抓取到1-2万。

仅有搜索入口：如上图所示，首页只有一个搜索框，用户需要输入关键词，才能找到对应的内容，但爬虫不可能做到输入关键词然后再去爬取，所以爬虫只能爬取到首页后，就没有后链了，自然抓取和收录就会不理想。

解决方案：索引页下的内容按发布时间逆序排序的，这样做有一个好处，搜索引擎可以通过索引页即使的抓取到你网站最新的资源，另外新发布的资源要实时在索引页同步，很多纯静态的网页，内容更新了，但是首页(索引页)却没有出来，这样会导致搜索引擎通过索引页无法即使的抓取到最新的资源，第三个点是后链(最新文章)的URL需要直接在源码在露出，方便搜索引擎抓取，最后就是索引页不是越多越好，有少数优质的索引页就足够了，比如长城号，基本上只利用首页来做索引页。

最后这里和大家说一个更高效的解决方案，那就是直接通过百度站长资源平台去主动提交资源，这样搜索引擎可以绕过索引页直接抓取到最新资源，这里需要注意两个点。

Q：资源提交是不是越多越好?

A：收录效果的核心永远是内容质量，如果大量提交低质、泛滥资源会导致惩罚性打击。

Q：为什么提交了普通收录但没有抓?

A：资源提交只能加速资源发现，不能保证短时间内抓取，当然百度方面表示，算法在持续优化，让优质的内容更快得到抓取。

3、访问友好性：

抓取器要和网站进行交互，要保证网站的稳定的，抓取器才能够正常的爬取。那么访问友好性主要包括以下几个方面。

访问速度优化：加载时间建议控制在2S以内，那么无论是用户还是爬虫，对于打开速度更快的网站，都会更加青睐，其次是避免非必要的跳转，这种情况虽然是少部分，但依然有网站出现很多级的跳转，那么对于爬虫来讲，很有可能在多级跳转的同时就断开了。常见的有做了不带www的域名跳转到带WWW的域名上，然后带WWW的域名又要跳转到https上，最后更换新站，这种情况就出现了三四级的跳转。如果出现类似网站改版，建议直接全部跳转到新域名上。

规范http返回码：我们常见的301/302的正确使用，以及404的正确使用，主要是常规的问题，用常规的方式来解决，比如遇到无效资源，那么就使用404来做，不要用一些特殊的返回状态码了。

访问稳定性优化：首先尽可能选择国内大型的DNS服务，以保证站点的稳定性，对于域名的DNS，实际上阿里云还是比较稳定靠谱的，那么其次是谨慎使用技术手段封禁爬虫抓取，如果说有特定资源不希望在百度上展现，那么可以采用robots来屏蔽，比如说网站的后台链接，大多数都是通过robots屏蔽的。如果说抓取频次太高，导致服务器压力过大，影响用户正常访问，那么可以通过资源平台的工具降低抓取频率。其次是避免防火墙误封禁爬虫抓取，那么这里建议大家可以把搜索引擎的UA加入到白名单。最后一点是服务器的稳定性，特别是在短时间内提交大量优质资源，这个时候一定要关注服务器稳定性，因为当你提交大量资源后，爬虫会随之增加，这个时候会不会导致你服务器压力过大而打不开，这个问题是需要站长关注的。

如上图所示，这三个例子就是第三方防火墙拦截的一个状态，当正常用户打开是这个状态的时候，搜索引擎抓取的时候，也会处于这个状态，所以如果遇到CC或者DDOS的时候，我们开启防火墙的前提，一定要放开搜索引擎的UA。

4、识别百度爬虫

对于部分网站，可能对用户方面有特殊的优化，可能有网站想把用户和爬虫区分开来做优化，所以这个时候就需要识别百度爬虫。

首先用简单的方法，我们可以通过百度的UA来识别出百度爬虫，那么目前来讲百度PC、移动、和小程序是三个不同的UA，那么通过简单的识别方法，有出现有第三方的爬虫模拟百度爬虫，导致你识别不出来。那么这个时候，咱们可以通过双向DNS解析认证来区分，具体参考《轻松两步：教你快速识别百度蜘蛛》。

问答环节

Q：新站会不会有一个的抓取限制?

A：对于任何一个新站来讲，都没有抓取限制，不过去年开始，我们已经开始对新站有一个扶持，让你的网站，先在百度上收录起来。然后再进行一个价值判断，那么如何让百度知道你是一个新站，有两个捷径，第一个是去百度资源平台提交，第二个点是去工信部做ICP的备案，我们可以从工信部拿到ICP备案的数据，备案之后我们就知道有人建了一个新的站点，这样就可以给新站一个基础的流量扶持。

Q：每个站点蜘蛛抓取的配额都会有调整，大概多久调整一次?

A：确实会有调整，对于新资源会与你抓取频率相关，对于旧资源会与你内容质量相关，如果说新资源的质量有变化，那么抓取频率也会有变化，网站的规模有变化，那么抓取的频率也会有变化，如果说有很大的改版，那么抓取频率相对而言也会有变化。

Q：网站降权能不能恢复?

A：网站降权恢复的前提是我们会对网站进行重新评估，查看网站是不是有整改，如果有整改是不是做了404，并且有提交到资源平台，如果说完全符合要求后，搜索引擎会经过评估后，对没有违规的网站进行恢复。

Q：新站点是不是有考核期?

A：对我们来讲是没有一个考核期这么一个东西，我们前面也讲到了，竟可能会对新站的一个流量扶持，假设一个新站点流量扶持1-2个月以后，发现网站继续保持这种状态，那么就不会有一个太大的调整，当发现网站质量有明显的提升，那么我们也会相应的提升百度排名。

Q：百度对外国的服务器和国内的服务器有没有区别对待?

A：策略角度上来件，没有硬性区别对待，但是很多外国的服务器对国内部分区域封禁，以及国外服务器网站备案的角度上来讲，国内的服务器都具有优势。

Q：新站旧域名是不是更有优势?

A：如果说老域名和新站是相同的内容，确实在起步阶段有一定的优势，但仅仅是起步阶段，后期还是要看内容的质量，特别要注意的是，如果说老域名的行业和你新网站的内容不相关，即使是所谓高权重的老域名，也会适得其反。百度会认为你今天做这个，明天做那个，效果还不如重新做一个新域名。

Q：蜘蛛是不是有权重之分，比如220和116这种高权重蜘蛛?

A：蜘蛛是没有权重之分的，网站的排名最主要是取决于网站的质量。