Question

如何使用移动中间件技术实现百度搜索数据抓取

Answer 1

　一、百度蜘蛛抓取规则

1、对网站抓取的友好性

百度蜘蛛在抓取互联网上的信息时为了更多、更准确的获取信息，会制定一个规则最大限度的利用带宽和一切资源获取信息，同时也会仅最大限度降低对所抓取网站的压力。

2、识别url重定向

互联网信息数据量很庞大，涉及众多的链接，但是在这个过程中可能会因为各种原因页面链接进行重定向，在这个过程中就要求百度蜘蛛对url重定向进行识别。

3、百度蜘蛛抓取优先级合理使用

由于互联网信息量十分庞大，在这种情况下是无法使用一种策略规定哪些内容是要优先抓取的，这时候就要建立多种优先抓取策略，目前的策略主要有：深度优先、宽度优先、PR优先、反链优先，在我接触这么长时间里，PR优先是经常遇到的。

4、无法抓取数据的获取

在互联网中可能会出现各种问题导致百度蜘蛛无法抓取信息，在这种情况下百度开通了手动提交数据。

5、对作弊信息的抓取

在抓取页面的时候经常会遇到低质量页面、买卖链接等问题，百度出台了绿萝、石榴等算法进行过滤，据说内部还有一些其他方法进行判断，这些方法没有对外透露。

上面介绍的是百度设计的一些抓取策略，内部有更多的策略咱们是不得而知的。

　二、百度蜘蛛抓取过程中涉及的协议

1、http协议：超文本传输协议

2、https协议:目前百度已经全网实现https，这种协议更加安全。

3、robots协议：这个文件是百度蜘蛛访问的第一个文件，它会告诉百度蜘蛛，哪个页面可以抓取，哪个不可以抓取。

　三、如何提高百度蜘蛛抓取频次

百度蜘蛛会根据一定的规则对网站进行抓取，但是也没法做到一视同仁，以下内容会对百度蜘蛛抓取频次起重要影响。

1、网站权重：权重越高的网站百度蜘蛛会更频繁和深度抓取

2、网站更新频率：更新的频率越高，百度蜘蛛来的就会越多

3、网站内容质量：网站内容原创多、质量高、能解决用户问题的，百度会提高抓取频次。

4、导入链接：链接是页面的入口，高质量的链接可以更好的引导百度蜘蛛进入和爬取。

5、页面深度：页面在首页是否有入口，在首页有入口能更好的被抓取和收录。

6、抓取频次决定着网站有多少页面会被建库收录，这么重要的内容站长该去哪里进行了解和修改，可以到百度站长平台抓取频次功能进行了解