百度spider专家QA集锦:抓取建库篇

百度spider专家在2016年百度在上海举办的VIP大讲堂上作了一场与站长面对面的培训交流,针对与会站长提出的各种问题,一一作了解答。

百度spider专家在2016年百度在上海举办的VIP大讲堂上作了一场与站长面对面的培训交流,针对与会站长提出的各种问题,一一作了解答。本文将培训现场抖出的干货整理如下,各位同行可以通过QA记录看看自己心中的疑问是否已被解答。

问:为什么收录量像坐过山车一样的,还有为什么有些网页今天在明天就没了?

答:百度会周期建库,且每个库的收录量是恒定的,你老是有新增,肯定会再从库里淘汰一些,反正总是保持那个库是满的。在建库的过程中,你会感觉有波动。具体的怎么筛,哪个页面会留下哪个页面会淘汰,这个策略是有很多的,他随着时间的变化,收录的标准策略也是在发生微调。

问:我们站点使用CDN加速会不会比较容易造成蜘蛛无法抓取?因为有时候修改掉他绑定的什么东西。

答:如果要修改掉一定要通知到上一级,现在不存在这个问题,现在你如果修改掉也可以解析掉,之前可能会存在这个问题。

问:你们百度自己也有一个CDN加速,对抓录排名有没有影响?

答:在使用CDN加速这个问题上,我们对所有站点一视同仁。但我建议你使用技术能力强的CDN服务商,保证站点的稳定和速度,百度会更喜欢。

问:刚才您说IP上的站点数不能太多,那CDN这种情况怎么办?

答:CDN的情况另说,如果我们识别出来是CDN的话不会受站点数量的影响,如果你是提供独立IP的话会有这样一些问题。

问:还是IP上站点数量的问题,如果是主域跟二级域名呢?也受数量限制?

答:我说的是独立域名。当然质量比较好的二级域名也可以认为是独立域名

问:多个域名,他有相同的一些内容,怎么建库?

答:如果是多域名在同一个主域下面有相同内容的话,不可能所有都建库,而且被建库的那个可能不是你希望的那个,所以尽量不要有相同的内容。

问:刚才讲的IP如果是多域名的话,好几百个IP域名,现在我们也用了CDN,按照刚才的说法,单个IP最多抓多少?1000万是说对站点还是对IP?

答:对IP,但1000万是我举例,不是实际的数据,这个数据不会分享出来的

问:现在我的网站被很多蜘蛛爬,我想只让百度蜘蛛爬,百度蜘蛛IP多少?能设白名单么?

答:百度蜘蛛IP是不断变的,现在网上的确有一些白名单的说法,暂时是有效的,但不保证今后不会变,所以建议站点还是通过ua进行判断,我们百度站长平台上有相关的文章,你可以找一下。

问:如果我写robots只想禁掉动态链接的话,会不会影响动态参数前面正常链接的抓取?

答:不会的,你原来的页面还在,肯定会抓。

问:我想了解,如果我现在收录有5万,大概多长时间才能把我原来收录5万重新抓取一遍?

答:不同站点不好说,一个是你站点做的很好,知名度很响更新很快质量很好就会快;如果你的站点默默无闻,贡献很少,可能就会很慢。

(接上个问题)

问:就是差不多的情况,大概。

答:这个没有人能估出来。

问:百度站长平台上有数据提交的工具,我们实时提交,你们也会实时抓取吗?

答:不会,他会有一层判断。现在只是通知你提交成功,后面什么时候抓,什么时候建库没有,我们正在研究要不要把这个分享出来。

问:我网站有一些列表页,都没有链接,担心百度抓不到

答:现在百度站长平台的站内搜索工具有一个绿色收录通道,在那里提交种子页,我们就知道的。

(接上个问题)

问:提交种子页面必须要用站搜?

答:是的。

问:如果说页面里url特别多的话,蜘蛛会不会有选择性的进行抓取?

答:不会,他都会一个不漏给你提出来,但会把JS、CSS这样的链接给过滤掉。但请注意,全部抓取过来之后会进行筛选,并不是所有都会建库。

问:现在很多网站都有自己的站内搜索,都会产生站内搜索结果页,百度不喜欢搜索结果页的话,我们用这个会不会对我们有影响?只是不喜欢还是对我们网站会有惩罚

答:蜘蛛会去抓,抓完之后重要是提取里面的链接。如果只有一两条这样的页面质量不好问题不大,如果整体质量较差,有可能受到惩罚。

问:新出的时效性文章当时没有被收录,后期是否还会被收录?

答:会

问:站点每天最高爬虫多少次?

答:这个其实说不好,有的站点我们一天会抓一两千万,有的站点只抓几个、几十个,看你的规模和质量,而且这个抓取量也是会根据网站的情况进行调整的。

本文关键词: