關(guān)于爬蟲抓取JS、CSS、JSON
編輯
分享
評(píng)論
贊0
這是一個(gè)存在多年、經(jīng)常出現(xiàn)但又從來沒有標(biāo)準(zhǔn)解決辦法的問題：搜索引擎爬蟲（尤其是百度）抓取JS、CSS、JSON文件，robots屏蔽依然抓取的情況。
這就引出了幾個(gè)問題：
1、爬蟲抓取JS、CSS是干什么的？
2、爬蟲能否執(zhí)行JS？
3、爬蟲抓取JS對(duì)SEO有什么影響？
針對(duì)以上問題，我說下自己的看法：
第一個(gè)，爬蟲抓取CSS，用于判斷頁(yè)面元素的重要程度，及保證快照顯示的完整性；抓取JS，用于發(fā)現(xiàn)新鏈接，及判斷是否存在作弊的情況
第二個(gè)， 會(huì)執(zhí)行JS，但不確定所有的JS是否都會(huì)執(zhí)行。像網(wǎng)上好多人說的“搜索引擎會(huì)直接忽略JS、iframe什么的，只抓取純文本信息”，這從實(shí)際情況上站不住腳啊，如果搜索引擎對(duì)JS、iframe鳥都不鳥，那內(nèi)些做黑帽的同學(xué)豈不爽死了（不懂為什么爽？請(qǐng)看前兩篇關(guān)于黑帽的文章，你就懂了?。?/span>
第三個(gè)，這個(gè)不知道。某些情況下，可能會(huì)占用抓取配額，不過我經(jīng)歷的幾個(gè)存在蜘蛛抓取JS的站，流量上并沒有什么異常。
說到這，我的現(xiàn)在工作的站在上半年出現(xiàn)過這種情況，百度瘋狂的抓json，robots屏蔽各種無效，然而流量上并沒有下降等異常狀況，本來依我的心理承受能力是根本不會(huì)在乎這種情況的┏ (゜ω゜)=?，但是一查json的抓取比例著實(shí)讓我菊花一緊，接近40%，是的，你沒有看錯(cuò)，40%，假設(shè)百度一天抓100萬(wàn)頁(yè)面，40萬(wàn)都是json這玩意。
然后發(fā)現(xiàn)日志中百度的抓取總量跟百度站長(zhǎng)工具的抓取頻次對(duì)不上，幾次檢查后發(fā)現(xiàn)，日志中的抓取總量 = 百度工具的抓取頻次 + 日志中json的抓取總量。也就是說，對(duì)于百度給出的抓取頻次數(shù)據(jù)，抓取json的部分是沒有計(jì)算在內(nèi)的，等于說是附贈(zèng)的抓取。從這點(diǎn)看，應(yīng)該對(duì)SEO沒什么影響，不存在占用抓取配額的問題么，但看抓取比例總是非常蛋疼，還是決定解決下這個(gè)情況。
經(jīng)過排查，發(fā)現(xiàn)有些頁(yè)面包含一個(gè)功能：當(dāng)頁(yè)面被請(qǐng)求時(shí)先判斷來訪用戶是否登錄，如果登錄則返回該用戶歷史訪問的其他產(chǎn)品，如果未登錄，則返回指定的內(nèi)容。返回的內(nèi)容轉(zhuǎn)換成一個(gè)json文件（沒錯(cuò)，就是百度瘋狂抓的那個(gè)），然后傳遞到前臺(tái)的js，js通過解析json文件，將解析json后的數(shù)據(jù)顯示在前端界面。
用的是異步加載，從業(yè)務(wù)邏輯上看，對(duì)該頁(yè)面的任何訪問者，如果不執(zhí)行這個(gè)js，相當(dāng)于頁(yè)面沒加載完。
json路徑是明文寫在js里的，也不知道百度是把json的路徑識(shí)別出來了還是執(zhí)行js了，反正只要抓了包含這個(gè)功能的頁(yè)面，都會(huì)順帶抓對(duì)應(yīng)的json文件。
綜上，預(yù)定的解決辦法有兩種：
第一種是直接把這個(gè)功能對(duì)應(yīng)的JS刪了
第二種是面對(duì)搜索引擎訪問，不返回這個(gè)js。所以蜘蛛根本看不到，也就不會(huì)抓了
最后因?yàn)檫@個(gè)功能上線多月，但數(shù)據(jù)表現(xiàn)一直不好，點(diǎn)擊率低，直接把這個(gè)功能砍了.......然后轉(zhuǎn)天在看日志，json抓取量為0......
A、覺得有幫助就轉(zhuǎn)一下嘍，轉(zhuǎn)一下又不會(huì)懷孕(??? ? ???)
B、暫定了幾個(gè)更新的主題，麻煩在對(duì)話框中輸入對(duì)應(yīng)的編號(hào)，我會(huì)統(tǒng)計(jì)需求最多的那個(gè)優(yōu)先更新
1）網(wǎng)站被DDOS、CC，SEO如何處理？
2）黑帽：寄生蟲程序原理
3）SEO數(shù)據(jù)的獲取與分析技巧
4）關(guān)鍵詞數(shù)據(jù)分析
5）其他，你們定，直接在對(duì)話框輸入
猜你喜歡