百度VIP大讲堂QA集锦：抓取、建库、解析

编者按：《VIP大讲堂》是百度站长平台于2014年为站长们解答建站、运营等问题而开设的讲堂，仅VIP俱乐部成员可报名参加。通过《VIP大讲堂》，站长们可以从百度官方了解到最新的百度技术动态、以及百度对待站点的态度等内容，还可以学习到关于搜索引擎优化、建站、内容建设、安全等多方面的内容。近日，百度站长平台发布了VIP大讲堂上海站的QA内容，主要包括Spider抓取、优先建库、以及网页解析三个方面。

主要QA内容如下：

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，暂时是有较的，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：比如我们一个域名www.abcde.com，我们想把带？号的url全部禁掉，首页我们不要禁掉，怎么弄？

答：?前面有个*，后面再有个*就可以了。

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。

问：我们的页面本身就很大，会不会解析不出来？

答：页面本身很大倒没问题，赶集、安居客这些量都很大，没有问题。我刚才说的例子，你每次都follow出来新链接，随机把后面的参数去掉都不影响这个网页的正常访问，这种肯定有问题的。

问：刚才说对URL的长度有要求，那对每一段、就是目录名的长度有没有要求

答：没有要求，我们是要求url从www开始到结束，总长度不超过1024个字节。

问：站内重复内容是怎么判断的？文本内容一样结构不一样，算不算重复？

答：算重复

问：假设是整个页面全是Flash，如果我把一些栏目或者最新的内容隐藏掉，不影响美观隐藏掉，如果用hidden属性能不能提取出来？CSS可不可以？

答：hidden可以提出来，但如果是注释就不会管。CSS不可以。

问：页面大小不超过1兆，是指页面压缩以前还是以后。

答：指页面压缩以后，不要超过1兆

问：我网站的信息已经过时了，但网页返回的是200，会受惩罚？为什么呀？

答：用户在搜索结果里点了你的结果，导流导到你的网站，但没什么可看的，对用户没有用，百度当然不喜欢。

问：现在我们很多网站，为了让用户觉得有意思，内容没了就放一张图片，写一些有意思的话，什么“工程师去哪啦”之类的，对百度友好不？

答：最好不要用，我知道站点是想让百度当内容死链来识别，但内容死链识别起来是有准确率和召回率风险的。

问：我们团购网站的确会有过期团购的页面，会受惩罚吗

答：如果量特别大、点击量很大的话肯定会有惩罚的。有些可以当内容死链被分析出来，如果分析不出来，会被一些其他的策略挖出来，会有这样的问题。

问：刚才说资讯内容页面，上面有个发布时间好，那如果页面上没有时间呢？

答：那我们往往是按当时抓取的时间来做判定。

问：评论里面时间重要吗。

答：百度更重视主体内容的时间，评论不算主体内容。

问：我们是个平台，很多产品其实只是一个型号变更了，其实颜色都是一模一样的，对蜘蛛而言仅仅只是几个字符，会被识别为重复吗

答：如果是一个产品的结构化信息的话，应该不会被认为是重复。如果你是简单内容摘要的方式进行介绍的话，可能会存在重复问题。

问：静态URL和动态URL区别大吗？

答：不大，我们现在认为静态和动态都一样的，因为从url上面他能够识别出来，但是抓取回来的东西不太一样。所以现在认为无论你是静态还是动态，我们都认为同样都是url来对待。

标签： 百度站长平台 VIP大讲堂 百度VIP大讲堂 

版权申明：本站文章部分自网络，如有侵权，请联系：west999com@outlook.com
特别注意：本站所有转载文章言论不代表本站观点！
本站所提供的图片等素材，版权归原作者所有，如需使用，请与原作者联系。