爬虫抓取效率：让百度蜘蛛更容易抓取

搜索引擎抓取您的网站以将内容放入其索引中。您的网站越大，抓取时间越长。抓取您网站所花费的时间非常重要。如果您的网站有1,000页或更少，那么这不是您需要考虑的主题。如果您打算发展您的网站，请继续阅读。尽早获得一些好习惯可以避免以后出现巨大的麻烦。在本文中，我们将介绍爬网效率以及您可以采取的措施。所有搜索引擎都以相同的方式抓取。在本文中，我们将引用百度。

爬虫如何抓取您的网站？

百度会在网络上的某个位置找到指向您网站的链接。

此时，该URL是虚拟堆的开始。之后这个过程非常简单：百度蜘蛛从那一堆中获取一页；它抓取页面并索引所有内容以供在百度中使用；然后它将该页面上的所有链接添加到堆中。在抓取过程中，百度蜘蛛可能会遇到重定向。它被重定向到的URL在堆上。

您的主要目标是确保百度蜘蛛可以访问该网站上的所有网页。第二个目标是确保快速抓取新内容和更新内容。良好的网站架构将帮助您实现这一目标。尽管如此，您仍然可以很好地维护您的网站。

爬行深度

在谈论爬行时，一个重要的概念是爬行深度的概念。假设您有1个链接，从您的网站上的1个网站到1个网页。此页面链接到另一个，另一个，另一个，等等.百度蜘蛛将继续爬行一段时间。但在某些时候，它会决定不再需要继续爬行。当这一点时，取决于指向第一页的链接的重要性。

这似乎是理论上的，所以让我们看一个实际的例子。如果您有10,000个帖子，则所有帖子都属于同一类别，并且每页显示10篇文章。这些页面仅链接到“下一个”和“上一个”。百度需要抓取1,000页深度才能获得这10,000个帖子中的第一个。在大多数网站上，它不会这样做。

这就是为什么重要的是：使用类别/标签和其他分类法进行更细粒度的细分。不要过度使用它们。根据经验，标记仅在连接3个以上内容时才有用。此外，请确保优化这些类别档案。

链接到带有数字的更深层页面，因此百度蜘蛛可以更快地到达目的地。假设你链接第1页的第1页到第10页并继续这样做。在上面的示例中，最深的页面只有100次点击远离主页。

保持您的网站快速。您的网站越慢，抓取的时间就越长。

XML站点地图和抓取效率

您的站点应具有一个或多个XML站点地图。这些XML站点地图告诉百度您网站上存在哪些网址。一个好的XML站点地图还会指示您上次更新特定URL的时间。大多数搜索引擎会比其他搜索引擎更频繁地抓取XML站点地图中的URL。

在百度搜索控制台中，XML站点地图为您提供了额外的好处。对于每个站点地图，百度都会向您显示错误和警告。您可以通过为不同类型的URL创建不同的XML站点地图来实现此目的。这意味着您可以查看网站上哪些类型的网址出现问题最多。

导致爬行效率低的问题

1.许多404和其他错误

当它抓取您的网站时，百度会遇到错误。它通常只是从堆中挑选下一页。如果您在抓取过程中网站上有很多错误，百度蜘蛛会放慢速度。这样做是因为它害怕它通过爬得太快而导致错误。为防止百度蜘蛛放慢速度，您需要尽可能多地修复错误。

百度会在其网站站长工具中向您报告所有这些错误，360和搜狗也是如此。我们之前已经在百度搜索控制台和360网站管理员工具中介绍了错误 。

您不会是我们看到的第一个客户端，它在百度搜索控制台中有3,000个实际URL和20,000个错误。不要让您的网站成为该网站。至少每个月定期修复这些错误。

2.301重定向过多

我最近在一个刚刚完成域迁移的网站上进行咨询。该网站很大，所以我使用我们的一个工具来运行网站的完整抓取，看看我们应该修复什么。很明显我们有一个大问题。此站点上的一大组URL始终链接到没有尾部斜杠。如果您使用不带尾部斜杠的此类URL，则会重定向301。您将被重定向到带有斜杠的版本 。如果您网站上的一个或两个网址存在问题则无关紧要。实际上这通常是主页的问题。如果这是您网站上250,000个网址的问题，那么这就成了一个更大的问题。百度蜘蛛不必抓取250,000个网址，而是抓取500,000个网址。这不是很有效率。

这就是为什么在更改网址时应始终尝试更新网站中的链接的原因。如果不这样做，随着时间的推移，您将获得越来越多的301重定向。这会降低您的抓取速度和用户速度。大多数系统需要一秒钟来服务器重定向。这会在页面加载时间上再增加一秒。

3.蜘蛛陷阱

如果您的网站在百度眼中更具权威性，那么有趣的事情就会发生。即使很明显链接没有意义，百度也会抓取它。给百度虚拟相当于一个无限螺旋楼梯，它将继续前进。

网址：www.hzik.cn