Baiduspider 主要抓取策略类型

上图看似简单,但其实Baiduspider在抓取过程中面对的是一个超级复杂的网络环境,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。以下做简单介绍:

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,最基本的是基于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)最常见的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url,spider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,我们推荐使用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spider对url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最优的抓取效果。



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最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。

相关文章:
哪些网页无法建入索引库
百度优先建重要库的原则
新链接重要程度判断
造成Baiduspider抓取异常的原因
Baiduspider抓取频次原则及调整方法
Baiduspider抓取过程中涉及的网络协议
Baiduspider 主要抓取策略类型
Spider抓取系统的基本框架

Spider抓取系统的基本框架 不指定

元创 , 2014/12/19 09:50 , 百度动态 , 评论(0) , 阅读(3128) , Via 本站原创
Spider抓取系统的基本框架

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称为:Baiduspdier、Googlebot、Sogou Web Spider等。

Spider抓取系统是搜索引擎数据来源的重要保证,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,尽最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。

下图为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。Baiduspider即是通过这种系统的通力合作完成对互联网页面的抓取工作。

点击在新窗口中浏览此图片

相关文章:
哪些网页无法建入索引库
百度优先建重要库的原则
新链接重要程度判断
造成Baiduspider抓取异常的原因
Baiduspider抓取频次原则及调整方法
Baiduspider抓取过程中涉及的网络协议
Baiduspider 主要抓取策略类型
Spider抓取系统的基本框架
百度站长平台发布:新搜索时代下的优化策略

百度站长平台这次发布新搜索时代下的优化策略,目的就是告诉站长们如何正确的开展SEO,告诉站长一直关注的标签使用、关键词密度和外链这些优化方法已经过时,现在应该从用户体验出发,深入分析网站用户类型和需求,同时要了解新时期搜索引擎的工作原理,从而进行网站产品和内容的搭建,目标query的设定,以及网站影响力的建设等。详细内容请下载附件!


相关文章下载:百度移动搜索优化指南2.0免费下载
百度移动搜索优化指南2.0免费下载

《手机站优化指南》是百度移动搜索产品和技术团队发布的关于手机站优化方面的指南,目前已更新至2.0版。百度为手机站提供建站规范和收录标准,帮助手机站对百度移动搜索引擎和用户更加友好,从而获得长久而稳定的发展。附件中为站长平台8月号刚刚分享的《百度移动搜索优化指南2.0》,大家赶快下载吧


点击在新窗口中浏览此图片
百度移动搜索沙龙北京站现场分享
百度绿萝算法2.0:外链还能做吗?

  百度站长平台推出了 百度绿萝算法2.0,对外链又进一步打击,详细说明了哪些外链发多了会影响排名,这样一来外链越来越难做了。以后做外链只能靠质量,少而精。量大则会导致网站降权,请朋友们注意。

  下面为百度官方摘要:

针对一些网站到处发布推广性软文的现象,一直以来我们都在通过各种方式进行处理。一方面,过滤清理这种垃圾外链;另一方面,对目标站点进行适当惩罚。但是,这一现象仍然大量存在。例如,如下这种明显的推广性软文,不胜枚举。

点击在新窗口中浏览此图片

在问答平台中插入链接

点击在新窗口中浏览此图片

在发布新闻稿中插入链接

点击在新窗口中浏览此图片
在第三方博客如新浪博客发外链


因此,我们近期将通过绿萝算法2.0进行更大范围更加严格的处理。

第一、加大过滤软文外链的力度;

第二、加大对目标站点的惩罚力度;

第三、对承载发布软文的站点进行适当的惩罚,降低其在搜索引擎中的评价,同时,针对百度新闻源站点将其清理出新闻源。

我们希望存在问题的网站在近期进行全面清理,并且将明显推广性的内容移出百度新闻源,这将使您避免受到算法的影响。

希望大家发外链时,要适当,出现网站降权,在百度站长平台工具中,把外链拒绝即可!

来源:http://www.yc127.com/post/13.html

2013百度新规则5条 不指定

元创 , 2013/03/18 13:01 , 百度动态 , 评论(4) , 阅读(24318) , Via 本站原创
2013百度新规则5条

1、注意网站不要弹窗广告呦,特别是那种关都关不掉的
2、注意 网站首页外链太多,要把资源分散
3、网站内容太少,外链过多,自己想想合理不
4、网站流量大,整站点击少,是不是用户体验差呢?
5、网站原创内容会自动加权,还是自己写好呀

如果你的网站降权了,看看是否出现以上问题呢!

扫一扫,元创微信,免费发送最新搜索引擎规则

点击在新窗口中浏览此图片
百度提示您:该页面可能因黑客侵入而存在安全风险

自从10月24号百度增加了网站安全检测工具,很多网站均出现这样的情况。

点击在新窗口中浏览此图片

如果出现这种情况如何解决呢?

1,在百度站长工具中检测,选网站安全监测

点击在新窗口中浏览此图片

2,看检测提示,是QQ管家提示的
点击在新窗口中浏览此图片

如果提示违禁词,需要先删除网站中的违禁词,然后需要去QQ管家申诉。
申诉地址:电脑管家:http://guanjia.qq.com/complaint.html

如果是其他安全商提示的,就去相应的安全商网站申诉:

各安全厂商联系方式
Scanv投诉地址:http://www.scanv.com/seccenter/appeal/
百度投诉地址:http://tousu.baidu.com/webmaster/suggest
电脑管家:http://guanjia.qq.com/complaint.html
金山云安全:http://fish.ijinshan.com/Kws/appeal
若您发现自己的网站被误报,请优先向误报厂商发起申诉,安全厂商会迅速定位您的问题,并给出反馈。也可以向百度发起申诉,但人工受理申诉的流程会比较慢,请您谅解。

3、在填写时资料需要填写完整,备案号,网站其他批号,公司名字等真实信息。

然后等待申诉成功!



10月23号百度算法更新:针对购买链接行为

尊敬的各位用户、站长朋友们,大家好!
    近期,我们综合数据分析出的问题、用户及广大优质站长反馈的意见,即将对百度反作弊算法进行再一次的更新升级。本次百度系统算法升级,打击的主要对象为意图通过超链作弊的方式操纵网站在百度搜索结果中排名的行为。其中,包括对任一指向贵网站的链接或从贵网站导出的链接进行蓄意操纵的行为。操纵这些链接可能会影响到百度搜索结果的质量从而伤害用户体验,同时亦伤害了大量勤恳建设网站内容的站长利益,恶性循环,导致互联网生态不健康发展,出现各种各样的利益群体剥削站长利益。我们希望通过本次算法升级可以达到两个切实目的:第一,进一步降低此种行为对用户体验的伤害;第二,维护勤恳建站的站长利益,从而将主要精力放在网站内容建设上来。具体打击的蓄意操纵行为包括但不限于如下举例:

1、花钱购买链接或出售可以提升所谓网站权重的链接;

2、通过创建大量的无价值网页或站点建立的交叉轮链;

3、使用程序机在web2.0等网站大量的群发指向您网站的链接;

4、通过扫描网站漏洞在高质量站点中加入隐藏链接

不具推荐意义的交换链接等等

    根据我们自己的评估及用户调研,本次算法更新将使3%~4%的关键词搜索体验有所提升,算法准确率亦达到了相当高的程度,但仍不排除出现个别误伤的情况,如果您确信自己的网站被错误处理, 请通过百度站长投诉中心进行反馈。虽然我们无法一一进行回复,但对于每一个线上反馈,都会认真仔细的分析,并将分析结果体现到下一次升级中。

    同时,近期我们还将针对超链作弊的行为有更进一步的策略,请广大站长将更多的精力放在为互联网增加优质内容上。我们会继续针对任何意图操纵搜索引擎排名的作弊行为进行打击,维护用户体验及绝大部分优质站长利益。倾听搜索用户声音的同时,加大与站长的交流,例如近期大量站长反馈的买卖链接、黑链等行为,我们会在未来一到两个月内进行更进一步的识别处理。我们相信,只要坚持不懈的为用户提供高质量内容,在做任何决定之 前,只要想清楚这样做是否对访问者有益而非单纯针对搜索引擎,肯定会得到用户的青睐。最后,感谢向我们反馈意见的用户及站长朋友。

分页: 3/8 第一页 上页 1 2 3 4 5 6 7 8 下页 最后页 [ 显示模式: 摘要 | 列表 ]