百度蜘蛛是什么?百度蜘蛛運行原理詳解

怎么樣吸引搜索引擎蜘蛛? >

百度蜘蛛是什么意思?許多剛入門的新手總是會聽到有人在談論有關百度蜘蛛的事情，剛聽上去有點懵，好像大體知道是什么情況，但具體又不太清除。下面就及詳細為大家介紹一下百度蜘蛛是什么。

百度蜘蛛是什么?

在了解百度蜘蛛之前，我們需要先了解什么是網絡。其實我們所說的網絡一般指互聯(lián)網。我們可以將網絡比喻成一張巨大而無邊際的蜘蛛網，而網站可以比喻成這張蜘蛛網上的每個節(jié)點，節(jié)點上有哪些信息需要去搜集，就有了“蜘蛛”這種自動化的程序。例如，百度“蜘蛛”就是針對百度搜索引擎而下的定義。

沙井公司注冊

百度蜘蛛是百度搜索引擎中的一個自動程序，是搜索引擎的核心技術，它的作用是可以通過URL訪問并抓取互聯(lián)網上的網頁，視頻，圖片，音頻。搜索引擎構建了一個調度程序來調度和指揮百度蜘蛛進行工作，百度蜘蛛只下載網頁。

百度蜘蛛分類

百度經過多年的更新，面對不同的網站也給出了不同的蜘蛛分類，讓這些蜘蛛有效地去判斷網站的價值。而百度蜘蛛一般分為3類：高級蜘蛛、中級蜘蛛和初級蜘蛛。每種蜘蛛就像我們人的職位一樣，對網站進行不同的分工。

(1)高級蜘蛛：這種蜘蛛只會去爬行一些權重高的網站。我們經常會發(fā)現(xiàn)，為什么在其他大型網站發(fā)外鏈都會秒收，而自己的網站卻不收錄。原因就是高級蜘蛛在爬行網站的時候有各種優(yōu)先權，如來訪率高、爬行深度高、收錄快和排名好等。

• 松崗公司注冊

(2)中級蜘蛛：這種蜘蛛會通過一些網站的友情鏈接及外鏈進入一個新的網站，然后會對新的網站再次進行判斷，如新的網站內容是否優(yōu)質、原創(chuàng)，并刪除一些劣質的內容。

(3)初級蜘蛛：初級蜘蛛就像一個小門檻，要求不高，審核頻率也不高。其只會針對一些新站進行過濾，經過一段時間之后再來判斷是否值得放出來。出現(xiàn)這種情況的主要原因是新網站太多，但是好的新網站卻很少?；ヂ?lián)網提供的是優(yōu)質的內容，過不了審核期的新網站自然不會放出來。這種情況一般叫做沙盒期，這也是很多新網站無法堅持下去的原因。

百度蜘蛛運行原理

搜索引擎調度程序發(fā)出指令---百度蜘蛛開始爬行工作---通過URL和服務器建立連接，爬行，訪問，抓取下載網頁儲存到補充數據區(qū)(文件儲存)---調度程序調用索引程序算法預處理抓取下載到的網頁---符合規(guī)則的網頁放到檢索區(qū)---排名展現(xiàn)。

1、預處理：對搜索引擎蜘蛛抓取下載的頁面進行文字提取，鏈接提取，中文分詞。

2、網頁排名展現(xiàn)：當用戶搜索關鍵詞的時候，調度排名程序索引數據庫，計算相關性，然后按一定格式生成搜索結果頁面。

3、爬行和抓取是搜索引擎第一步工作，完成網頁的爬行，抓取，完成數據收集任務?，F(xiàn)在的搜索引擎蜘蛛在抓取過程中也會一定程度的復制內容檢檢測。遇到權重低，大量轉發(fā)別人網站內容，原創(chuàng)度低，質量不佳的網頁可能不會繼續(xù)抓取了。

百度蜘蛛預處理

預處理是搜索引擎工作最重要的步驟，包括以下算法處理：

為什么要預處理？搜索引擎蜘蛛抓取存儲的原始頁面，并不能直接用于排名查詢，數據量太大，沒有辦法在毫秒之間返回結果給用戶，所以必須先對原始頁面進行預處理，以便為后面的查詢排名做準備。

1、提取原始網頁文字

搜索引擎預處理首先要做的就是從HTML網頁中去除各種標簽，程序，提取中可以用于網頁排名的文字。但是除文字也會提取一些特殊的包含文字信息的代碼比如，meta標簽，TITLE標簽，DESCRITION，KEYWORDS，ALT，鏈接中的錨文字。

2、中文分詞

中文分詞是中文搜索引擎特有的步驟，因為中文不像英文那樣，詞與詞之間有間隔，所有的詞都是連在一起的，這就要求搜索引擎能夠區(qū)分哪幾個字組成一個詞，那個字本身就是一個詞。比如：seo優(yōu)化教程將被分為SEO優(yōu)化，教程兩個詞。

中文分詞的兩張方法：基于詞典匹配，基于統(tǒng)計匹配。統(tǒng)計匹配是計算字與字之間相鄰出現(xiàn)的頻率來計算。

搜索引擎對頁面的分詞取決于詞庫的規(guī)模，準確性，分詞算法的好壞，而不是取決于頁面本身的情況。SEOER能做的事情很少，唯一能做的是頁面上用某種形式提示搜索引擎。比如在標題，H1等各種標簽及黑體中出現(xiàn)關鍵詞。

通過點擊查看百度快照，可以大致看出搜索引擎是如何分詞

知道分詞原理去做錨文本外鏈才更加高效，舉例：比如搜索引擎優(yōu)化，被分為搜索引擎優(yōu)化三個詞的時候那分別做三個詞的錨文本鏈接，這樣提高搜索引擎優(yōu)化效果最好。如果直接以搜索引擎優(yōu)化為錨文本則排名沒有那么好。

3、去停止詞

無論是中文搜索引擎還是因為搜索引擎，頁面中會出現(xiàn)一些詞頻率很高，但是對內容沒有任何影響的詞，比如的，地，得之類的助詞，啊，哈，呀等感嘆詞。搜索引擎在預處理的過程會去掉這些詞，使索引數據跟為突出，減少無謂的計算量。

索引擎在預處理的過程會去掉這些詞，使索引數據跟為突出，減少無謂的計算量。

4、消除噪聲

除了停止詞，還有一部分內容對頁面主題沒有什么貢獻的，比如版權聲明，導航條，廣告等這些都屬于噪聲，對頁面只能起到分散作用。

消噪聲是基本的辦法是根據HTML標簽對頁面分塊，區(qū)分出頁頭，頁尾，導航，正文，廣告等區(qū)域，在網站上大量重復出現(xiàn)的區(qū)塊往往第噪聲，對噪聲消噪之后，剩下的就是網頁的主題內容。

5、去重

對于用戶和搜索引擎來說不喜歡同一篇內容在不同網站和同一個網站不網址上出現(xiàn)，搜索引擎就需要識別并刪除這些重復內容，這個過程就是去重。

去重基本方法是對頁面特征關鍵詞計算指紋，也就是說在文章中選取最具有代表性出現(xiàn)頻率最高的一部分(是分詞，去停止詞，消噪之后)關鍵詞，通常選擇10個左右特征關鍵詞就可以達到較高的計算準確性了。

針對現(xiàn)在一些不斷增加一些跟文章無關緊要的詞，進行所謂的偽原創(chuàng)，一樣逃不過搜索引擎的去重算法。這樣做無法改變關鍵詞的特征。搜索引擎的去重算法很可能不止于頁面級，二是進行到段落。

百度蜘蛛注意事項

1、搜索引擎蜘蛛的爬行和抓取，只是搜索引擎工作的第一步，也就是完成數據的收集任務。

2、搜索引擎蜘蛛訪問任何一個網站的時候，都會先訪問網站根目錄中的ROBOTS文件，檢查是否許可只搜索引擎蜘蛛的抓取。

3、不管是瀏覽器或者是搜索引擎蜘蛛還是其他訪問程序，都會標明自己的身份代理名稱也就是USER-AGENT：

4、文件儲存：搜索引擎蜘蛛爬行抓取的數據存儲到數據庫，得到的數據和瀏覽器得到的HTML是完全一樣的，并且每個URL都會標記上自己獨特的文件編號。

5、百度搜索引擎調度程序的原則，告訴并調度搜索引擎蜘蛛應該抓取下載什么樣的網頁，怎么去發(fā)現(xiàn)網頁，發(fā)現(xiàn)更多網頁;

6、鏈接跟蹤：為抓取更多頁面，搜索引擎蜘蛛會跟蹤頁面上所有的鏈接，并順著鏈接繼續(xù)抓取下去。

7、深度優(yōu)先：指的是蜘蛛沿著發(fā)現(xiàn)的鏈接一直向前爬行，直到前面再也沒有其他鏈接，然后再返回第一個頁面，沿著另外一個鏈接再繼續(xù)往前爬行。指的是互聯(lián)網中的一些知名，有深度的門戶站點優(yōu)先抓取，并通過這些站點讓搜索引擎蜘蛛抓取到更多的優(yōu)質網頁。

8、廣度優(yōu)先：當搜索引擎蜘蛛在一個頁面上發(fā)現(xiàn)多個鏈接時候，不是順著鏈接一直向前，而是把頁面上所有第一層鏈接先抓一遍，然后再抓第二層。

9、權重優(yōu)先：是指網頁的反向鏈接較多的頁面優(yōu)先抓取。一般情況下網頁抓取到40%是正常范圍，60%算很好，100%是不可能。

10、百度蜘蛛只是負責爬行，訪問，抓取，下載，存儲到數據補充區(qū)，優(yōu)先和權重原則都是搜索引擎調度程序去計算和分配。

百度搜索引擎蜘蛛的工作要素

在深度優(yōu)先，權重優(yōu)先的機制下，百度蜘蛛終于訪問抓取到了網站。百度蜘蛛抓取下載到網頁首頁后，調度程序會計算網頁中的所有的URL，再繼續(xù)返回給百度蜘蛛下一步的抓取鏈接列表，繼續(xù)深入抓取下載更多的網頁。(叫做跟蹤鏈接，為了抓取到網上盡量多的網頁)。

百度蜘蛛有效抓取方法：地圖

為什么要在首頁做百度地圖的入口呢?可以通過百度地圖來給百度蜘蛛一個抓取的方向，來左右百度蜘蛛去抓取哪些頁面，讓百度知道知道那個頁面重要。也可以在首頁構建更多的鏈接入口來，越多頁面指向該頁面，首頁指向該頁面，欄目指向該頁面都能夠提高這個頁面的優(yōu)先抓取，快速抓取。

地圖另外一個作用就是讓搜索引擎蜘蛛能夠抓取到更多網頁。

地圖其實就是一個連接的列表提供給百度蜘蛛，來計算你的目錄結構，找到通過站內連接來構建的重要頁面。