如何和網(wǎng)絡(luò)爬蟲對話

　　抓取策略：那些網(wǎng)頁是我們需要去下載的，那些是無需下載的，那些網(wǎng)頁是我們優(yōu)先下載的，定義清楚之后，能節(jié)省很多無謂的爬取。

　　更新策略：監(jiān)控列表頁來發(fā)現(xiàn)新的頁面；定期check頁面是否過期等等。

　　抽取策略：我們應(yīng)該如何的從網(wǎng)頁中抽取我們想要的內(nèi)容，不僅僅包含最終的目標(biāo)內(nèi)容，還有下一步要抓取的url。

　　抓取頻率：我們需要合理的去下載一個網(wǎng)站，卻又不失效率。

　　讓我對“如何和網(wǎng)絡(luò)爬蟲對話”這個課題有了一些思考，下面歸納的主要用于迎合上面提到的爬蟲“抓取策略”。

　　1、通過robots.txt和爬蟲對話：搜索引擎發(fā)現(xiàn)一個新站，原則上第一個訪問的就是robots.txt 文件，可以通過allow/disallow語法告訴搜索引擎那些文件目錄可以被抓取和不可以被抓取。

　　關(guān)于robots.txt 的詳細介紹：about /robots.txt

　　另外需要注意的是：allow/disallow 語法的順序是有區(qū)別的

　　2、通過meta tag和爬蟲對話：比如有的時候我們希望網(wǎng)站列表頁不被搜索引擎收錄但是又希望搜索引擎抓取，那么可以通過＜meta name=“robots” content=“noindex，follow”＞ 告訴爬蟲，其他常見的還有noarchive，nosnippet，noodp 等。

　　關(guān)于 meta tag 的更多介紹：Metadata Elements

　　3、通過 rel=“nofollow” 和爬蟲對話：關(guān)于 rel=“nofollow” 最近國平寫了一篇文章《如何用好 nofollow》很值得一讀，相信讀完之后你會有很大的啟發(fā)。

　　4、通過 rel=“canonical” 和爬蟲對話：關(guān)于 rel=“canonical” 谷歌網(wǎng)站站長工具幫助有很詳細的介紹：深入了解 rel=”canonical”

　　5、通過網(wǎng)站地圖和爬蟲對話：比較常見的是xml格式sitemap和html格式sitemap，xml 格式sitemap可以分割處理或者壓縮壓縮，另外，sitemap的地址可以寫入到 robots.txt 文件。

　　6、通過網(wǎng)站管理員工具和搜索引擎對話：我們接觸最多的就是谷歌網(wǎng)站管理員工具，可以設(shè)定googlebot抓取的頻率，屏蔽不想被抓取的鏈接，控制sitelinks等，另外，Bing和Yahoo也都有管理員工具，百度有一個百度站長平臺，內(nèi)測一年多了仍舊在內(nèi)測，沒有邀請碼無法注冊。

　　另外，這里面還衍生出一個概念，就是我一直比較重視的網(wǎng)站收錄比，所謂網(wǎng)站收錄比=網(wǎng)站在搜索引擎的收錄數(shù)/網(wǎng)站真實數(shù)據(jù)量，網(wǎng)站收錄比越高，說明搜索引擎對網(wǎng)站的抓取越順利。

　　暫時就想到這些，目的在于嘗試性的探討如何更有效的提高網(wǎng)站在搜索引擎的收錄量。

　　權(quán)當(dāng)拋磚引玉，歡迎各位補充！

　　備注：

　　網(wǎng)絡(luò)爬蟲（web crawler）又稱為網(wǎng)絡(luò)蜘蛛（web spider）是一段計算機程序，它從互聯(lián)網(wǎng)上按照一定的邏輯和算法抓取和下載互聯(lián)網(wǎng)的網(wǎng)頁，是搜索引擎的一個重要組成部分。

服務(wù)器租用/服務(wù)器托管中國五強！虛擬主機域名注冊頂級提供商！15年品質(zhì)保障！--億恩科技[ENKJ.COM]