关于百度蜘蛛对网站页面爬行规律的一点分享

2024年05月18日 百度蜘蛛 懒猪技术

当网站有了蜘蛛来访,你的网站页面才有被收录的可能,而百度蜘蛛会来爬行我们网站的html代码,然后把数据拆分为标题、摘要、头图、正文等结构化数据,带回给百度的服务器,进行筛选放入数据库,接下来是关于百度蜘蛛对网站页面爬行规律的一点分享。



现在的网站数量以百亿计算,每个页面都有快照备份是不现实的,所以百度蜘蛛会优胜劣汰,就像是有探路的先锋,有主力的部队,有功能之分,其实并没有高低权重之分。

百度蜘蛛对网站内页的爬行规律:

百度蜘蛛主要由收录与快照两种蜘蛛构成,通常123IP开头的是收录蜘蛛,220IP开头的是快照蜘蛛,我们通过这两种蜘蛛的日志访问情况,基本上能判断出这个网站在百度看来是不是一个优质的网站。

1、内容有质量的页面:新发一篇文章后,通常是123开头的蜘蛛先行,然后220开头的蜘蛛后行,接着当天或隔1-2天,快照就会有更新。

2、404页面爬取规律:当网站删除了几篇已收录的内页访问变成404后,123开头的蜘蛛来爬取时,一般发现两次404后,百度蜘蛛就不会来了。

3、文章内容劣质页面:如果是用文章生成器生成的拼凑文章,排版乱无可读性,123开头的蜘蛛来了一次以后就没有再来了。

那么百度蜘蛛爬行真正的逻辑应该是:123开头蜘蛛打冲锋,对网页内容进行筛选,以便减少不必要的服务器资源浪费;220开头蜘蛛一般在123蜘蛛筛选过后才进入,如果网页内容实在劣质,220开头的蜘蛛不会造访;对于已经收录快照的页面,是220开头直接来访。

最后得出的结论如下:

1、123开头的IP是收录蜘蛛,所谓收录蜘蛛是指百度蜘蛛造访后,百度后端会通过一系列判定手段,如反作弊处理、原创度检测等等,决定是否能够可以收录,是否可以牵引百度快照蜘蛛到访。

2、220开头的IP是快照蜘蛛,当快收录蜘蛛检测网页通过了收录标准之后,通过快照蜘蛛生成结构化数据,进入倒排索引,这个时候的网页才有快照,才能被用户搜索到。

所以每次快照更新前,收录蜘蛛、快照蜘蛛均有造访,而收录蜘蛛与快照蜘蛛访问比率一般不超过2:1, 如果收录蜘蛛出现次数远远大于快照蜘蛛,说明网页的内容还不过关。

本文链接:http://so.lmcjl.com/news/4848/

展开阅读全文
相关内容