上一篇文章中,給大家簡(jiǎn)單介紹了提高spider抓取網(wǎng)站策略的兩大方法,另外還有五個(gè)策略接著給分享給大家。
如果沒有瀏覽上篇文章,可以通過以下鏈接查看:
【如何提高spider抓取網(wǎng)站?提高spider抓取策略(1)】
?
提高spider抓取策略有哪些?
三、多種URL重定向的識(shí)別
為了讓spider能夠?qū)Χ喾NURL重定向的識(shí)別,重定向分別有三類:HTTP 30x重定向、Meta refresh重定向和JS重定向。百度目前也支持Canonical標(biāo)簽。
?
四、抓取優(yōu)先級(jí)調(diào)配
想讓搜索引擎抓取網(wǎng)站全部頁面,是沒有百分百的。所以需要在抓取系統(tǒng)設(shè)計(jì)抓取優(yōu)先級(jí)調(diào)配。
抓取優(yōu)先級(jí)調(diào)配包含:寬度優(yōu)先遍歷策略、PR優(yōu)先策略、深度優(yōu)先遍歷策略等等。根據(jù)實(shí)際情況結(jié)合多種策略使用完善抓取效果。
?
五、重復(fù)URL的過濾
網(wǎng)站出現(xiàn)重復(fù)的URL過多,會(huì)引發(fā)被降權(quán)。
重復(fù)頁面可以使用301重定向,在服務(wù)器端對(duì)標(biāo)準(zhǔn)URL進(jìn)行定義。把不標(biāo)準(zhǔn)的URL都301重定向到標(biāo)準(zhǔn)的URL上。
?
六、暗網(wǎng)數(shù)據(jù)的獲取
暗網(wǎng)數(shù)據(jù)指的是搜索引擎無法抓取的數(shù)據(jù)。主要因?yàn)榫W(wǎng)站上的數(shù)據(jù)都在網(wǎng)絡(luò)數(shù)據(jù)庫中,spider很難抓取中獲得完整內(nèi)容;其次網(wǎng)絡(luò)環(huán)境和網(wǎng)站本身不符合規(guī)范等問題,導(dǎo)致搜索引擎無法抓取。
解決暗網(wǎng)數(shù)據(jù)的問題,可以通過百度站長(zhǎng)平臺(tái)數(shù)據(jù)提交的方式來解決。
?
七、抓取反作弊
Spider在抓取過程中會(huì)抓取到低質(zhì)量頁面或者是被黑的頁面。通過分析URL特征、頁面的大小等等原因,完善的抓取反作弊。
閱讀本文的人還可以閱讀: