搜索引擎抓取系统

作者:鼎极网络发布日期:2019-11-13浏览次数:3

  搜索引擎抓取系统概述()

  编者按:站长朋友们,今后定期都将在这里跟大家分享一些有关搜索引擎工作原理及网站运营相关的内容,今天先简单介绍一下关于搜索引擎抓取系统中有关抓取系统基本框架、抓取中涉及的网络协议、抓取的基本过程三部分。

  互联网信息爆发式增长,如何有效的获取并利用这些信息是搜索引擎工作中的首要环节。数据抓取系统作为整个搜索系统中的上游,主要负责互联网信息的搜集、保存、更新环节,它像蜘蛛一样在网络间爬来爬去,因此通常会被叫做“spider”。例如我们常用的几家通用搜索引擎蜘蛛被叫做:BaiduspdierGooglebotSogou Web Spider等。

  Spider抓取系统是搜索引擎数据来源的重要,如果把web理解为一个有向图,那么spider的工作过程可以认为是对这个有向图的遍历。从一些重要的种子 URL开始,通过页面上的超链接关系,不断的发现新URL并抓取,尽大可能抓取到更多的有价值网页。对于类似百度这样的大型spider系统,因为每时 每刻都存在网页被修改、删除或出现新的超链接的可能,因此,还要对spider过去抓取过的页面保持更新,维护一个URL库和页面库。

  1spider抓取系统的基本框架

  如下为spider抓取系统的基本框架图,其中包括链接存储系统、链接选取系统、dns解析服务系统、抓取调度系统、网页分析系统、链接提取系统、链接分析系统、网页存储系统。

1.png

  2spider抓取过程中涉及的网络协议

  搜索引擎与资源提供者之间存在相互依赖的关系,其中搜索引擎需要站长为其提供资源,否则搜索引擎就无法满足用户检索需求;而站长需要通过搜索引擎将自己的 内容推广出去获取更多的受众。spider抓取系统直接涉及互联网资源提供者的利益,为了使搜素引擎与站长能够达到双赢,在抓取过程中双方必须遵守一定的 规范,以便于双方的数据处理及对接。这种过程中遵守的规范也就是日常中我们所说的一些网络协议。以下简单列举:

  http协议:超文本传输协议,是互联网上应用为广泛的一种网络协议,客户端和服务器端请求和应答的标准。客户端一般情况是指终端用户,服务器端即指网 站。终端用户通过浏览器、蜘蛛等向服务器指定端口发送http请求。发送http请求会返回对应的httpheader信息,可以看到包括是否成功、服务 器类型、网页近更新时间等内容。

  https协议:实际是加密版http,一种更加安全的数据传输协议。

  UA属性:UAuser-agent,是http协议中的一个属性,代表了终端的身份,向服务器端表明我是谁来干嘛,进而服务器端可以根据不同的身份来做出不同的反馈结果。

  robots协议:robots.txt是搜索引擎访问一个网站时要访问的个文件,用以来确定哪些是被允许抓取的哪些是被禁止抓取的。 robots.txt必须放在网站根目录下,且文件名要小写。详细的robots.txt写法可参考 http://www.robotstxt.org 。百度严格按照robots协议执行,另外,同样支持网页内容中添加的名为robotsmeta标 签,indexfollownofollow等指令。

  3spider抓取的基本过程

  spider的基本抓取过程可以理解为如下的流程图:

2.png

  4.spider抓取过程中的策略

  spider在抓取过程中面对着复杂的网络环境,为了使系统可以抓取到尽可能多的有价值资源并保持系统及实际环境中页面的一致性同时不给网站体验造成压力,会设计多种复杂的抓取策略。以下简单介绍一下抓取过程中涉及到的主要策略类型:

  1、抓取友好性:抓取压力调配降低对网站的访问压力

  2、常用抓取返回码示意

  3、多种url重定向的识别

  4、抓取优先级调配

  5、重复url的过滤

  6、暗网数据的获取

  7、抓取反作弊

  8、提高抓取效率,高效利用带宽

  1、抓取友好性

  互联网资源庞大的数量级,这就要求抓取系统尽可能的高效利用带宽,在有限的硬件和带宽资源下尽可能多的抓取到有价值资源。这就造成了另一个问题,耗费被抓网站的带宽造成访问压力,如果程度过大将直接影响被抓网站的正常用户访问行为。因此,在抓取过程中就要进行一定的抓取压力控制,达到既不影响网站的正常用户访问又能尽量多的抓取到有价值资源的目的。

  通常情况下,基本的是基于ip的压力控制。这是因为如果基于域名,可能存在一 个域名对多个ip(很多大网站)或多个域名对应同一个ip(小网站共享ip)的问题。实际中,往往根据ip及域名的多种条件进行压力调配控制。同时,站长平台也推出了压力反馈工具,站长可以人工调配对自己网站的抓取压力,这时百度spider将优先按照站长的要求进行抓取压力控制。

  对同一个站点的抓取速度控制一般分为两类:其一,一段时间内的抓取频率;其二,一段时间内的抓取流量。同一站点不同的时间抓取速度也会不同,例如夜深人静月黑风高时候抓取的可能就会快一些,也视具体站点类型而定,主要思想是错开正常用户访问高峰,不断的调整。对于不同站点,也需要不同的抓取速度。

  2、常用抓取返回码示意

  简单介绍几种百度支持的返回码:

  1) 常见的404代表“NOT FOUND”,认为网页已经失效,通常将在库中删除,同时短期内如果spider再次发现这条url也不会抓取;

  2) 503代表“Service Unavailable”,认为网页临时不可访问,通常网站临时关闭,带宽有限等会产生这种情况。对于网页返回503状态码,百度spider不会把这条url直接删除,同时短期内将会反复访问几次,如果网页已恢复,则正常抓取;如果继续返回503,那么这条url仍会被认为是失效链接,从库中删除。

  3) 403代表“Forbidden”,认为网页目前禁止访问。如果是新urlspider暂时不抓取,短期内同样会反复访问几次;如果是已收录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 代表是“Moved Permanently”,认为网页重定向至新url。当遇到站点迁移、域名更换、站点改版的情况时,我们使用301返回码,同时使用站长平台网站改版工具,以减少改版对网站流量造成的损失。

  3、多种url重定向的识别

  互联网中一部分网页因为各种各样的原因存在url重定向状态,为了对这部分资源正常抓取,就要求spiderurl重定向进行识别判断,同时防止作弊行为。重定向可分为三类:http 30x重定向、meta refresh重定向和js重定向。另外,百度也支持Canonical标签,在效果上可以认为也是一种间接的重定向。

  4、抓取优先级调配

  由于互联网资源规模的巨大以及迅速的变化,对于搜索引擎来说全部抓取到并合理的更新保持一致性几乎是不可能的事情,因此这就要求抓取系统设计一套合理的抓取优先级调配策略。主要包括:深度优先遍历策略、宽度优先遍历策略、pr优先策略、反链策略、社会化分享指导策略等等。每个策略各有优劣,在实际情况中往往是多种策略结合使用以达到优的抓取效果。

  5、重复url的过滤

  spider在抓取过程中需要判断一个页面是否已经抓取过了,如果还没有抓取再进行抓取网页的行为并放在已抓取网址集合中。判断是否已经抓取其中涉及到核心的是快速查找并对比,同时涉及到url归一化识别,例如一个url中包含大量无效参数而实际是同一个页面,这将视为同一个url来对待。

  6、暗网数据的获取

  互联网中存在着大量的搜索引擎暂时无法抓取到的数据,被称为暗网数据。一方面,很多网站的大量数据是存在于网络数据库中,spider难以采用抓取网页的方式获得完整内容;另一方面,由于网络环境、网站本身不符合规范、孤岛等等问题,也会造成搜索引擎无法抓取。目前来说,对于暗网数据的获取主要思路仍然是通过开放平台采用数据提交的方式来解决,例如百度站长平台”“百度开放平台等等。

  7、抓取反作弊

  spider在抓取过程中往往会遇到所谓抓取黑洞或者面临大量低质量页面的困扰,这就要求抓取系统中同样需要设计一套完善的抓取反作弊系统。例如分析url特征、分析页面大小及内容、分析站点规模对应抓取规模等等。

 


关键词:

  一、域名的选择

  选择域名非常重要,因为他是网站优化步。注册域名的时候我们首先找与主题相关域名,中文全拼音,其次选择英文,如果没有,请选择域名长度较短的 域名是衡量SEO效果的必要因素、虽然对SEO的效果的影响并不是很大,但是我们还是必须遵循,一定程度会利于后期的优化传播。

  二、空间(服务器)的选择

  空间对于网站优化关键词排名至关重要,因为空间能直接影响蜘蛛的抓取和用户体验质量。在选取空间时需要考虑的因素有安全性、空间打开速度、空间的稳定性、功能和可扩展性。空间稳定性影响蜘蛛抓取进而影响收录,而打开速度和稳定性又会影响用户的信用度。

  三、网站的完整搭建

  在网站搭建初期就完成所有便于优化的框架和内容能够缩短整个网站优化时间,一个完整的便于优化的网站包含:满足用户需求的程序和内容、便于优化的路径、优先层次的布局、附加价值的内容、长尾关键词布局、合理的内链设置。

  四、合理寻找内容源

  网站在制作完成后接下来要做的是填充网站内容 ,内容的寻找包括自己原创内容、网上资料整合、专业资料整理、用户自发的投稿。的是网上资料整合,但必须有附加价值的增加。如果是专业人员可以花一部分时间编写原创文章,形式是用户自发的投稿。

  五、把内容进行分类利于优化

  内容分类的作用是让用户在浏览网站寻找资料时更加容易,而不是应接不暇。但凡用户的寻找时间超过5s以上跳出率会增加一倍以上。内容分类名称要直接易懂,分类多少按照网站的内容多少来,内容越多分类明显。内容多于一个栏目用二级栏目分类,多于一个站用二级域名分类。

  六、长尾关键词的布局

  长尾关键词布局非常重要,因为涉及到网站后期优化效果。布局长尾词的点是挖掘和筛选长尾词,然后根据长尾词的竞争度以及相关性布局在网站的栏目页和内页。内页的长尾词围绕栏目页的竞争度大一点的短词来布局,不同栏目的长尾词不能互相交叉以及重叠。

  七、内链系统的布局

  内链是整个网站的脉络,内链的布局直接影响到网站的收录、关键词排名以及跳出率。首页内链布局的好能带动内页长尾词排名,而内页的内链布局好能传递权重给首页,并且能降低网站的跳出率。内链布局需要注意需求、数据分析、文案、锚文本。

  八、学习如何推广网站

  推广的作用绝不低于内链系统的建设,在网站还不被大众知道之前推广能缩短关键词排名周期。一般新站正常排名周期是3个月以上,在前期有推广的网站排名周期能缩短到2个月。推广包括QQ群推广、软文推广、信息平台推广、微信微博推广、资源圈分享等。

  九、新手必须学会做数据分析

  数据分析是网站排名后一项非常重要的工作,数据分析是以现有网站的内容为基础,分析那些内容是用户点击比较多以及哪些内容用户更加受欢迎。从而更多展示用户喜欢的内容,降低网站的跳出率增加网站黏性。数据分析能从很大程度上促进网站关键词排名。

  十、如何给网站合理的做外链

  外链在网站排名的前中期起到非常重要的角色,在网站还处于前中期时外链能传递给网站权重。而网站只有在具有一定权重以后才能被收录首页和内页,并且传递的权重能有助于排名的提升。外链还具有推广作用,能引导用户进入网站,所以网站前期一定要做外链。

  十一、需求分析新手必须要会的

  需求分析是网站优化至关重要的部分,需求分析的好处便是能找到并且展示用户想要的东西,而这些东西可能用户自己都不知道。但是它能帮助你将网站展示在用户跟前,并且用户还非常喜欢到你的网站寻找资料,需求分析能笼络一个行业的大部分用户。

  十二、内页长尾词排名

  长尾词带来的流量占据整个网站流量的80%,并且长尾词带来的是精准用户。长尾词排名首先要选择有用户搜索的关键词,做好内容和内链的布局。通常SEO宣传的是网站的首页,但如果稍微宣传内页内容会促进长尾词更快的排名。

  十三、如何对网站进行微调稳定排名

  用户的需求不断变化,网站不可能一直保持不变不跟随需求改变而改变。微调就是不断发现用户新的需求然后修改网站布局以及内容让网站当下用户的需求,从而促进关键词排名。搜索引擎总是会给那些更随用户使用趋势的网站的排名。

  十四、建立生态圈稳定排名

  生态圈有别有站群的原因是生态圈是白帽的方法,它会产生一些有价值的内容,而站群不会。生态圈是网站发展中后期高质量权重外链的来源,并且有助于稳定长尾关键词排名。生态圈重点在于长尾词的分配以及内容的编辑,作用是提供主站外链和圈住用户。