关于百度Spider（百度蜘蛛）个人见解

Spider也就是大家常说的爬虫、蜘蛛或机器人，是牌整个搜索引擎最上游的一个模块，只有Spider抓回的页面或URL才会被索引和参与排名。需要注意的是，只要是Spider抓到的URL，都可能会参与排名，但参与排名的网页并不一定就被Spider抓取到了内容，比如有些网站屏蔽搜索引擎Spider后，虽然Spider不能抓取网页内容，但是也会有一些域名级别的URL在搜索引擎中参与了排名（例如天猫上的很多独立域名的店铺）。根据搜索引擎的类型不同，Spider也会有不同的分类。大型搜索引擎的Spider一般都会有以下所需要解决的问题，也是和SEO密切相关的问题。首先，Spider想要抓取网页，要发现网页抓取入口，没有抓取入口也就没有办法继续工作，所以首先要给Spider一些网页入口，然后Spider顺着这些入口进行拆迁抓取，这里就涉及抓取策略的问题。抓取策略的选择会直接影响Spider所需要的资源、Spider所抓取占全网网页的比例，以及Spider的工作效率，那么Spider一般会采用什么样的策略抓取网页呢？其次，网页内容也是有时效性的，所以Spider对不同网页的抓取频率也要有一定的策略性否则可能会使得索引库中的内容都很陈旧，或者该更新的没更新，不该更新的却浪费资源更新了，甚至还会出现网页已经被删除了，但是该页面还存在于搜索结果中的情况。那么Spider一般会使用什么样的再次抓取和更新策略呢？再次，互联网中的网页总有一竞价是没有外部链接导入的，也就是常说的“暗网”，并且这部分网页也是需要呈现给广大网民浏览的，此时Spider就要想方设法针对处于暗网中的网页进行抓取。当下百度是如何来解决这个暗网问题的呢？最后，大型搜索引擎的Spider不可能只有一个，为了节省资源，要保证多个SPIDER同时作业且抓取页面不重复；又由于各地区数据中心分配问题，搜索引擎一般不会把Spider服务器放置在一个地区，会多地方同时作业，这两方面就涉及分布式抓取的策略问题。重庆seo博客觉得Spider的抓取策略跟网站的框架有很大的关系，要想抓取得更新，网站框架必须符合搜索引擎的要求。文章来自：重庆seo博客www.hkxiaopan.com