搜尋引擎爬蟲

搜尋引擎爬蟲 （又被稱為網頁蜘蛛，網路機器人），是一種按照一定的規則，自動的抓取全球資訊網信息的程式或者腳本。

基本介紹

• 中文名：搜尋引擎爬蟲
• 別稱：網頁蜘蛛，網路機器人
• 形式：腳本或程式
• 作用：抓取全球資訊網信息

因素

網站對搜尋引擎蜘蛛不友好的因素

1、robots.txt檔案

2、nofollow標籤

3、flash

4、圖片

5、JavaScript

6、網站遊覽許可權

7、強制使用cookies

8、HTTP返回碼

9、伺服器

10、域名解析

11、網站程式完善

12、動態URL

13、框架結構

14、session id

爬蟲框架流程

首先從網際網路頁面中精心選擇一部分網頁，以這些網頁的連結地址作為種子URL，將這些種子URL放入待抓取URL佇列中，爬蟲從待抓取URL佇列依次讀取，並將URL通過DNS解析，把連結地址轉換為網站伺服器對應的IP位址。

然後將其和網頁相對路徑名稱交給網頁下載器，網頁下載器負責頁面內容的下載。對於下載到本地的網頁，一方面將其存儲到頁面庫中，等待建立索引等後續處理;另一方面將下載網頁的URL放入已抓取URL佇列中，這個佇列記載了爬蟲系統已經下載過的網頁URL，以避免網頁的重複抓取。對於剛下載的網頁，從中抽取出所包含的所有連結信息，並在已抓取URL佇列中檢查，如果發現連結還沒有被抓取過，則將這個URL放入待抓取URL佇列末尾，在之後的抓取調度中會下載這個URL對應的網頁。如此這般，形成循環，直到待抓取URL佇列為審，這代表著爬蟲系統已將能夠抓取的網頁盡數抓完，此時完成了一輪完整的抓取過程。

常見搜尋引擎

Google爬蟲

算法優秀，反應速度迅速，對內容質量把握優秀，中等強度爬蟲程式，對伺服器負擔不大，推廣效果好。

對應user-agent：爬蟲名稱

Googlebot：google網頁爬蟲

Googlebot-news：google新聞爬蟲

Googlebot-image：google圖片爬蟲

Googlebot-video：google視頻爬蟲

Googlebot-mobile：google移動爬蟲

Mediapartners-google或Mediapartners(googlebot)：google廣告爬蟲

Adsbot-google：google著陸頁質量檢測爬蟲

百度爬蟲

算法良好，反應速度遲鈍，對內容質量把握一般，高強度爬蟲程式，由於算法最佳化不良問題，對伺服器負擔較大，本身小問題也挺多，隱私保護惡劣，在百度面前無隱私可言，推廣效果好。

對應user-agent：爬蟲名稱

Baiduspider：百度網頁爬蟲兼移動爬蟲

Baiduspider-image：百度圖片爬蟲

Baiduspider-video：百度視頻爬蟲

Baiduspider-news：百度新聞爬蟲

Baiduspider-favo：百度搜藏爬蟲

Baiduspider-cpro：百度聯盟爬蟲

Baiduspider-ads：百度商務爬蟲

好搜爬蟲

對應user-agent：爬蟲名稱

360spider或haosouspider：好搜網頁爬蟲兼移動爬蟲

360spider-image：好搜圖片爬蟲

360spider-video：好搜視頻爬蟲

搜狗爬蟲

算法惡劣，反應速度極其遲鈍，不能良好的把握內容質量，高強度爬蟲程式，由於算法奇差，會對頁面進行大量反覆而又無實際意義的掃描，對伺服器負擔很大，抓取壓力大，綜合性價比非常低。

對應user-agent：爬蟲名稱

Sogou spider：搜狗綜合爬蟲

新浪愛問爬蟲

對應user-agent：爬蟲名稱

Iaskspider：新浪愛問爬蟲

有道爬蟲

對應user-agent：爬蟲名稱

YodaoBot：網易有道爬蟲

Alexa爬蟲

對應user-agent：爬蟲名稱

ia_archiver：Alexa爬蟲

雅虎爬蟲

對應user-agent：爬蟲名稱

Yahoo! Slurp：雅虎爬蟲

必應爬蟲

對應user-agent：爬蟲名稱

Bingbot：必應爬蟲

爬蟲類型

根據不同的套用，爬蟲系統在許多方面存在差異，大體而言，可以將爬蟲劃分為如下三種類型:

1. 批量型爬蟲（Batch Crawler）：批量型爬蟲有比較明確的抓取範圍和目標，當爬蟲達到這個設定的目標後，即停止抓取過程。至於具體目標可能各異，也許是設定抓取一定數量的網頁即可，也許是設定抓取消耗的時間等。

2.增量型爬蟲（Incremental Crawler）：增量型爬蟲與批量型爬蟲不同，會保持持續不斷的抓取，對於抓取到的網頁，要定期更新，因為網際網路的網頁處於不斷變化中，新增網頁、網頁被刪除或者網頁內容更改都很常見，而增量型爬蟲需要及時反映這種變化，所以處於持續不斷的抓取過程中，不是在抓取新網頁，就是在更新已有網頁。通用的商業搜尋引擎爬蟲基本都屬此類。

3.垂直型爬蟲(Focused Crawter）：垂直型爬蟲關注特定主題內容或者屬於特定行業的網頁，比如對於健康網站來說，只需要從網際網路頁里找到與健康相關的頁面內容即可，其他行業的內容不在考慮範圍。垂直型爬蟲一個最大的特點和難點就是：如何識別網頁內容是否屬於指定行業或者主題。從節省系統資源的角度來說，不太可能把所有網際網路頁面下載下來之後再去篩選，這樣浪費資源就太過分了，往往需要爬蟲在抓取階段就能夠動態識別某個網址是否與主題相關，並儘量不去抓墩無關頁面，以達到節省資源的目的。垂直搜尋網站或者垂直行業網站往往需要此種類型的爬蟲。

網站建設如何吸引蜘蛛來抓取網站內容

1、網站和頁面的權重大小依然被作為衡量網站價值的重要標準，高質量老資格的網站被百度評為高權重，這種網站的頁面被蜘蛛抓取的機率比較高，所以會有很多內頁被收錄。

2、頁面更新頻率會直接影響蜘蛛的光臨頻率，蜘蛛把每次光臨獲得的頁面數據保存到伺服器上，如果下次光臨頁面發現內容跟儲存數據相同，那么會被蜘蛛認為頁面不會經常更新，然後會給網站一個優先權，來決定以後光臨的時間和頻率。如果網站內容經常更新，每次蜘蛛抓取的內容都不一樣，那么蜘蛛會更加頻繁的訪問這類頁面，頁面出現的新連線也自然會被爬取收錄。

3、引導連結的建立，無論網站的外部連結或內部連結，想要被蜘蛛抓取，必須有引導連結進入頁面，所以內部連結的合理性搭建非常重要，否則蜘蛛無法發現頁面的存在。高質量的外部連結導入也是非常重要的，會增加蜘蛛跟蹤爬行深度的增加。

4、建立首頁的引導連結，蜘蛛訪問最頻繁的是首頁，有內容更新時，一定要在首頁體現出來並建立連結，便於蜘蛛最快抓取到，增加抓取機會。

5、原創內容，蜘蛛最厲害的是會對網站新發布內容同伺服器收錄數據做比對，如果是抄襲或部分修改的非原創偽原創內容，百度是不會收錄的，如果經常發布的是非原創內容，那么也會降低蜘蛛的光臨頻率，嚴重的直接不收錄，甚至0收錄。