導(dǎo)讀：搜索引擎工作原理是什么？今天來講講蜘蛛的抓取建庫。
本文解讀的是：《百度官方課程抓取建庫》
1、spider抓取系統(tǒng)
2、spider抓取指標(biāo)
一、spider抓取系統(tǒng)
百度蜘蛛抓取建庫是個極其復(fù)雜的系統(tǒng)工程，光是抓取系統(tǒng)就分為鏈接存儲系統(tǒng)、鏈接選取系統(tǒng)、DNS解析服務(wù)系統(tǒng)、抓取調(diào)度系統(tǒng)、網(wǎng)頁分析系統(tǒng)、鏈接提取系統(tǒng)、鏈接分析系統(tǒng)、網(wǎng)頁存儲系統(tǒng)。
如果不好理解的話，你可以理解為一個抓取程序，分為以上幾個功能模塊，功能相互配合完成抓取程序，我個人分析，根據(jù)百度蜘蛛的情況來看，目前百度抓取的IP段在220,116段，116開頭IP在于陽泉（李彥宏老家），因此我們不妨推測出這樣一個觀點，我們看到一個個的蜘蛛IP，就是對應(yīng)的這些電腦主機，而這些電腦上就裝著抓取程序。
二、spider抓取指標(biāo)
我們按照蜘蛛抓取流程來說，一個蜘蛛爬到網(wǎng)站后，首先去訪問robots.txt的協(xié)議文件，遵循協(xié)議中的規(guī)則，該爬哪里不該爬哪里，然后通過抓取后通過抓取返回碼去做下一步動作，比如抓取a.com/123.html，返回碼是404，那么此條信息就告訴百度這條信息已經(jīng)失效，如果此條已收錄，就從庫中刪除，同時蜘蛛再次訪問url也不會抓取此鏈接。在百度蜘蛛抓取的過程中，如果你實時監(jiān)測蜘蛛的時間就會發(fā)現(xiàn)一點，有的站內(nèi)蜘蛛爬取很頻繁，有的站內(nèi)很久才有蜘蛛訪問，造成這種結(jié)果有兩個原因，一個是百度服務(wù)器任務(wù)處理采取分布式處理，所以蜘蛛抓取通道有阻塞，因此有時間上的差異，排除通道阻塞，站內(nèi)內(nèi)容多少和外鏈引入蜘蛛也是一個影響蜘蛛爬取的一個關(guān)鍵因素。
spider在抓取頁面過程需判斷頁面是否抓取，沒有抓取就會被放到抓取序列中處理，已抓取就會對比庫中是否有同樣并歸一處理。
在公認(rèn)的spider指標(biāo)中，有四大指標(biāo)：
1、網(wǎng)站更新頻率，更新快多來，更新慢少來，這也是為什么很多站一天更新上萬篇的原因，一定程度上可以直接提高收錄幾率。
2、網(wǎng)站內(nèi)容質(zhì)量高低。優(yōu)質(zhì)內(nèi)容爬取頻繁，低不爬或少爬。什么是優(yōu)質(zhì)內(nèi)容？之前一篇文章有提到過。
3、服務(wù)器穩(wěn)定、不卡頓和打開流暢。
4、站點評級。（已實錘不是權(quán)重，而是更高級的站點評級）評級是動態(tài)參數(shù)，是配合其他因子進行算法計算到閾值變化的變量。評級會影響網(wǎng)站的收錄和排序。
友情提示：A5官方SEO服務(wù)，為您提供權(quán)威網(wǎng)站優(yōu)化解決方案，快速解決網(wǎng)站流量異常，排名異常，網(wǎng)站排名無法突破瓶頸等服務(wù)：http://www.admin5.cn/seo/zhenduan/
申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！
