91麻豆精品在线观看_一级做性色a爰片久久毛片免费_zzijzzij亚洲日本少妇jizjiz_国产日产欧美欧韩在线_日本高清在线www3344

　　關(guān)于百度以及其它搜索引擎的工作原理，其實(shí)大家已經(jīng)討論過(guò)很多，但隨著科技的進(jìn)步、互聯(lián)網(wǎng)業(yè)的發(fā)展，各家搜索引擎都發(fā)生著巨大的變化，并且這些變化都是飛快的。我們?cè)O(shè)計(jì)這個(gè)章節(jié)的目的，除了從官方的角度發(fā)出一些聲音、糾正一些之前的誤讀外，還希望通過(guò)不斷更新內(nèi)容，與百度搜索引擎發(fā)展保持同步，給各位站長(zhǎng)帶來(lái)最新的、與百度高相關(guān)的信息。

　　本章主要內(nèi)容分為四個(gè)章節(jié)，分別為：抓取建庫(kù)；檢索排序；外部投票；結(jié)果展現(xiàn)。

　　第一節(jié)-抓取建庫(kù)

　　Spider抓取系統(tǒng)的基本框架

　　互聯(lián)網(wǎng)信息爆發(fā)式增長(zhǎng)，如何有效的獲取并利用這些信息是搜索引擎工作中的首要環(huán)節(jié)。數(shù)據(jù)抓取系統(tǒng)作為整個(gè)搜索系統(tǒng)中的上游，主要負(fù)責(zé)互聯(lián)網(wǎng)信息的搜集、保存、更新環(huán)節(jié)，它像蜘蛛一樣在網(wǎng)絡(luò)間爬來(lái)爬去，因此通常會(huì)被叫做“spider”。例如我們常用的幾家通用搜索引擎蜘蛛被稱(chēng)為：Baiduspdier、Googlebot、Sogou Web Spider等。

　　Spider抓取系統(tǒng)是搜索引擎數(shù)據(jù)來(lái)源的重要保證，如果把web理解為一個(gè)有向圖，那么spider的工作過(guò)程可以認(rèn)為是對(duì)這個(gè)有向圖的遍歷。從一些重要的種子 URL開(kāi)始，通過(guò)頁(yè)面上的超鏈接關(guān)系，不斷的發(fā)現(xiàn)新URL并抓取，盡最大可能抓取到更多的有價(jià)值網(wǎng)頁(yè)。對(duì)于類(lèi)似百度這樣的大型spider系統(tǒng)，因?yàn)槊繒r(shí) 每刻都存在網(wǎng)頁(yè)被修改、刪除或出現(xiàn)新的超鏈接的可能，因此，還要對(duì)spider過(guò)去抓取過(guò)的頁(yè)面保持更新，維護(hù)一個(gè)URL庫(kù)和頁(yè)面庫(kù)。

　　下圖為spider抓取系統(tǒng)的基本框架圖，其中包括鏈接存儲(chǔ)系統(tǒng)、鏈接選取系統(tǒng)、dns解析服務(wù)系統(tǒng)、抓取調(diào)度系統(tǒng)、網(wǎng)頁(yè)分析系統(tǒng)、鏈接提取系統(tǒng)、鏈接分析系統(tǒng)、網(wǎng)頁(yè)存儲(chǔ)系統(tǒng)。Baiduspider即是通過(guò)這種系統(tǒng)的通力合作完成對(duì)互聯(lián)網(wǎng)頁(yè)面的抓取工作。

　　Baiduspider 主要抓取策略類(lèi)型

　　上圖看似簡(jiǎn)單，但其實(shí)Baiduspider在抓取過(guò)程中面對(duì)的是一個(gè)超級(jí)復(fù)雜的網(wǎng)絡(luò)環(huán)境，為了使系統(tǒng)可以抓取到盡可能多的有價(jià)值資源并保持系統(tǒng)及實(shí)際環(huán)境中頁(yè)面的一致性同時(shí)不給網(wǎng)站體驗(yàn)造成壓力，會(huì)設(shè)計(jì)多種復(fù)雜的抓取策略。以下做簡(jiǎn)單介紹：

　　1、抓取友好性

　　互聯(lián)網(wǎng)資源龐大的數(shù)量級(jí)，這就要求抓取系統(tǒng)盡可能的高效利用帶寬，在有限的硬件和帶寬資源下盡可能多的抓取到有價(jià)值資源。這就造成了另一個(gè)問(wèn)題，耗費(fèi)被抓網(wǎng)站的帶寬造成訪問(wèn)壓力，如果程度過(guò)大將直接影響被抓網(wǎng)站的正常用戶(hù)訪問(wèn)行為。因此，在抓取過(guò)程中就要進(jìn)行一定的抓取壓力控制，達(dá)到既不影響網(wǎng)站的正常用戶(hù)訪問(wèn)又能盡量多的抓取到有價(jià)值資源的目的。

　　通常情況下，最基本的是基于ip的壓力控制。這是因?yàn)槿绻谟蛎?，可能存在一個(gè)域名對(duì)多個(gè)ip（很多大網(wǎng)站）或多個(gè)域名對(duì)應(yīng)同一個(gè)ip（小網(wǎng)站共享ip）的問(wèn)題。實(shí)際中，往往根據(jù)ip及域名的多種條件進(jìn)行壓力調(diào)配控制。同時(shí)，站長(zhǎng)平臺(tái)也推出了壓力反饋工具，站長(zhǎng)可以人工調(diào)配對(duì)自己網(wǎng)站的抓取壓力，這時(shí)百度spider將優(yōu)先按照站長(zhǎng)的要求進(jìn)行抓取壓力控制。

　　對(duì)同一個(gè)站點(diǎn)的抓取速度控制一般分為兩類(lèi)：其一，一段時(shí)間內(nèi)的抓取頻率；其二，一段時(shí)間內(nèi)的抓取流量。同一站點(diǎn)不同的時(shí)間抓取速度也會(huì)不同，例如夜深人靜月黑風(fēng)高時(shí)候抓取的可能就會(huì)快一些，也視具體站點(diǎn)類(lèi)型而定，主要思想是錯(cuò)開(kāi)正常用戶(hù)訪問(wèn)高峰，不斷的調(diào)整。對(duì)于不同站點(diǎn)，也需要不同的抓取速度。

　　2、常用抓取返回碼示意

　　簡(jiǎn)單介紹幾種百度支持的返回碼：

　　1）最常見(jiàn)的404代表“NOT FOUND”，認(rèn)為網(wǎng)頁(yè)已經(jīng)失效，通常將在庫(kù)中刪除，同時(shí)短期內(nèi)如果spider再次發(fā)現(xiàn)這條url也不會(huì)抓??；

　　2）503代表“Service Unavailable”，認(rèn)為網(wǎng)頁(yè)臨時(shí)不可訪問(wèn)，通常網(wǎng)站臨時(shí)關(guān)閉，帶寬有限等會(huì)產(chǎn)生這種情況。對(duì)于網(wǎng)頁(yè)返回503狀態(tài)碼，百度spider不會(huì)把這條url直接刪除，同時(shí)短期內(nèi)將會(huì)反復(fù)訪問(wèn)幾次，如果網(wǎng)頁(yè)已恢復(fù)，則正常抓??；如果繼續(xù)返回503，那么這條url仍會(huì)被認(rèn)為是失效鏈接，從庫(kù)中刪除。

　　3）403代表“Forbidden”，認(rèn)為網(wǎng)頁(yè)目前禁止訪問(wèn)。如果是新url，spider暫時(shí)不抓取，短期內(nèi)同樣會(huì)反復(fù)訪問(wèn)幾次；如果是已收錄url，不會(huì)直接刪除，短期內(nèi)同樣反復(fù)訪問(wèn)幾次。如果網(wǎng)頁(yè)正常訪問(wèn)，則正常抓取；如果仍然禁止訪問(wèn)，那么這條url也會(huì)被認(rèn)為是失效鏈接，從庫(kù)中刪除。

　　4）301代表是“Moved Permanently”，認(rèn)為網(wǎng)頁(yè)重定向至新url。當(dāng)遇到站點(diǎn)遷移、域名更換、站點(diǎn)改版的情況時(shí)，我們推薦使用301返回碼，同時(shí)使用站長(zhǎng)平臺(tái)網(wǎng)站改版工具，以減少改版對(duì)網(wǎng)站流量造成的損失。

　　3、多種url重定向的識(shí)別

　　互聯(lián)網(wǎng)中一部分網(wǎng)頁(yè)因?yàn)楦鞣N各樣的原因存在url重定向狀態(tài)，為了對(duì)這部分資源正常抓取，就要求spider對(duì)url重定向進(jìn)行識(shí)別判斷，同時(shí)防止作弊行為。重定向可分為三類(lèi)：http 30x重定向、meta refresh重定向和js重定向。另外，百度也支持Canonical標(biāo)簽，在效果上可以認(rèn)為也是一種間接的重定向。

　　4、抓取優(yōu)先級(jí)調(diào)配

　　由于互聯(lián)網(wǎng)資源規(guī)模的巨大以及迅速的變化，對(duì)于搜索引擎來(lái)說(shuō)全部抓取到并合理的更新保持一致性幾乎是不可能的事情，因此這就要求抓取系統(tǒng)設(shè)計(jì)一套合理的抓取優(yōu)先級(jí)調(diào)配策略。主要包括：深度優(yōu)先遍歷策略、寬度優(yōu)先遍歷策略、pr優(yōu)先策略、反鏈策略、社會(huì)化分享指導(dǎo)策略等等。每個(gè)策略各有優(yōu)劣，在實(shí)際情況中往往是多種策略結(jié)合使用以達(dá)到最優(yōu)的抓取效果。

　　5、重復(fù)url的過(guò)濾

　　spider在抓取過(guò)程中需要判斷一個(gè)頁(yè)面是否已經(jīng)抓取過(guò)了，如果還沒(méi)有抓取再進(jìn)行抓取網(wǎng)頁(yè)的行為并放在已抓取網(wǎng)址集合中。判斷是否已經(jīng)抓取其中涉及到最核心的是快速查找并對(duì)比，同時(shí)涉及到url歸一化識(shí)別，例如一個(gè)url中包含大量無(wú)效參數(shù)而實(shí)際是同一個(gè)頁(yè)面，這將視為同一個(gè)url來(lái)對(duì)待。

　　6、暗網(wǎng)數(shù)據(jù)的獲取

　　互聯(lián)網(wǎng)中存在著大量的搜索引擎暫時(shí)無(wú)法抓取到的數(shù)據(jù)，被稱(chēng)為暗網(wǎng)數(shù)據(jù)。一方面，很多網(wǎng)站的大量數(shù)據(jù)是存在于網(wǎng)絡(luò)數(shù)據(jù)庫(kù)中，spider難以采用抓取網(wǎng)頁(yè)的方式獲得完整內(nèi)容；另一方面，由于網(wǎng)絡(luò)環(huán)境、網(wǎng)站本身不符合規(guī)范、孤島等等問(wèn)題，也會(huì)造成搜索引擎無(wú)法抓取。目前來(lái)說(shuō)，對(duì)于暗網(wǎng)數(shù)據(jù)的獲取主要思路仍然是通過(guò)開(kāi)放平臺(tái)采用數(shù)據(jù)提交的方式來(lái)解決，例如“百度站長(zhǎng)平臺(tái)”“百度開(kāi)放平臺(tái)”等等。

　　7、抓取反作弊

　　spider在抓取過(guò)程中往往會(huì)遇到所謂抓取黑洞或者面臨大量低質(zhì)量頁(yè)面的困擾，這就要求抓取系統(tǒng)中同樣需要設(shè)計(jì)一套完善的抓取反作弊系統(tǒng)。例如分析url特征、分析頁(yè)面大小及內(nèi)容、分析站點(diǎn)規(guī)模對(duì)應(yīng)抓取規(guī)模等等。

　　Baiduspider抓取過(guò)程中涉及的網(wǎng)絡(luò)協(xié)議

　　剛才提到百度搜索引擎會(huì)設(shè)計(jì)復(fù)雜的抓取策略，其實(shí)搜索引擎與資源提供者之間存在相互依賴(lài)的關(guān)系，其中搜索引擎需要站長(zhǎng)為其提供資源，否則搜索引擎就無(wú)法滿(mǎn)足用戶(hù)檢索需求；而站長(zhǎng)需要通過(guò)搜索引擎將自己的 內(nèi)容推廣出去獲取更多的受眾。spider抓取系統(tǒng)直接涉及互聯(lián)網(wǎng)資源提供者的利益，為了使搜素引擎與站長(zhǎng)能夠達(dá)到雙贏，在抓取過(guò)程中雙方必須遵守一定的 規(guī)范，以便于雙方的數(shù)據(jù)處理及對(duì)接。這種過(guò)程中遵守的規(guī)范也就是日常中我們所說(shuō)的一些網(wǎng)絡(luò)協(xié)議。

　　以下簡(jiǎn)單列舉：

　　http協(xié)議：超文本傳輸協(xié)議，是互聯(lián)網(wǎng)上應(yīng)用最為廣泛的一種網(wǎng)絡(luò)協(xié)議，客戶(hù)端和服務(wù)器端請(qǐng)求和應(yīng)答的標(biāo)準(zhǔn)。客戶(hù)端一般情況是指終端用戶(hù)，服務(wù)器端即指網(wǎng) 站。終端用戶(hù)通過(guò)瀏覽器、蜘蛛等向服務(wù)器指定端口發(fā)送http請(qǐng)求。發(fā)送http請(qǐng)求會(huì)返回對(duì)應(yīng)的httpheader信息，可以看到包括是否成功、服務(wù) 器類(lèi)型、網(wǎng)頁(yè)最近更新時(shí)間等內(nèi)容。

　　https協(xié)議：實(shí)際是加密版http，一種更加安全的數(shù)據(jù)傳輸協(xié)議。

　　UA屬性：UA即user-agent，是http協(xié)議中的一個(gè)屬性，代表了終端的身份，向服務(wù)器端表明我是誰(shuí)來(lái)干嘛，進(jìn)而服務(wù)器端可以根據(jù)不同的身份來(lái)做出不同的反饋結(jié)果。

　　robots協(xié)議：robots.txt是搜索引擎訪問(wèn)一個(gè)網(wǎng)站時(shí)要訪問(wèn)的第一個(gè)文件，用以來(lái)確定哪些是被允許抓取的哪些是被禁止抓取的。 robots.txt必須放在網(wǎng)站根目錄下，且文件名要小寫(xiě)。詳細(xì)的robots.txt寫(xiě)法可參考 http://www.robotstxt.org 。百度嚴(yán)格按照robots協(xié)議執(zhí)行，另外，同樣支持網(wǎng)頁(yè)內(nèi)容中添加的名為robots的meta標(biāo) 簽，index、follow、nofollow等指令。

　　Baiduspider抓取頻次原則及調(diào)整方法

　　Baiduspider根據(jù)上述網(wǎng)站設(shè)置的協(xié)議對(duì)站點(diǎn)頁(yè)面進(jìn)行抓取，但是不可能做到對(duì)所有站點(diǎn)一視同仁，會(huì)綜合考慮站點(diǎn)實(shí)際情況確定一個(gè)抓取配額，每天定量抓取站點(diǎn)內(nèi)容，即我們常說(shuō)的抓取頻次。那么百度搜索引擎是根據(jù)什么指標(biāo)來(lái)確定對(duì)一個(gè)網(wǎng)站的抓取頻次的呢，主要指標(biāo)有四個(gè)：

　　1，網(wǎng)站更新頻率：更新快多來(lái)，更新慢少來(lái)，直接影響B(tài)aiduspider的來(lái)訪頻率

　　2，網(wǎng)站更新質(zhì)量：更新頻率提高了，僅僅是吸引了Baiduspier的注意，Baiduspider對(duì)質(zhì)量是有嚴(yán)格要求的，如果網(wǎng)站每天更新出的大量?jī)?nèi)容都被Baiduspider判定為低質(zhì)頁(yè)面，依然沒(méi)有意義。

　　3，連通度：網(wǎng)站應(yīng)該安全穩(wěn)定、對(duì)Baiduspider保持暢通，經(jīng)常給Baiduspider吃閉門(mén)羹可不是好事情

　　4，站點(diǎn)評(píng)價(jià)：百度搜索引擎對(duì)每個(gè)站點(diǎn)都會(huì)有一個(gè)評(píng)價(jià)，且這個(gè)評(píng)價(jià)會(huì)根據(jù)站點(diǎn)情況不斷變化，是百度搜索引擎對(duì)站點(diǎn)的一個(gè)基礎(chǔ)打分（絕非外界所說(shuō)的百度權(quán)重），是百度內(nèi)部一個(gè)非常機(jī)密的數(shù)據(jù)。站點(diǎn)評(píng)級(jí)從不獨(dú)立使用，會(huì)配合其它因子和閾值一起共同影響對(duì)網(wǎng)站的抓取和排序。

　　抓取頻次間接決定著網(wǎng)站有多少頁(yè)面有可能被建庫(kù)收錄，如此重要的數(shù)值如果不符合站長(zhǎng)預(yù)期該如何調(diào)整呢？百度站長(zhǎng)平臺(tái)提供了抓取頻次工具（http://zhanzhang.baidu.com/pressure/index），并已完成多次升級(jí)。該工具除了提供抓取統(tǒng)計(jì)數(shù)據(jù)外，還提供“頻次調(diào)整”功能，站長(zhǎng)根據(jù)實(shí)際情況向百度站長(zhǎng)平臺(tái)提出希望Baiduspider增加來(lái)訪或減少來(lái)訪的請(qǐng)求，工具會(huì)根據(jù)站長(zhǎng)的意愿和實(shí)際情況進(jìn)行調(diào)整。

　　造成Baiduspider抓取異常的原因

　　有一些網(wǎng)頁(yè)，內(nèi)容優(yōu)質(zhì)，用戶(hù)也可以正常訪問(wèn)，但是Baiduspider卻無(wú)法正常訪問(wèn)并抓取，造成搜索結(jié)果覆蓋率缺失，對(duì)百度搜索引擎對(duì)站點(diǎn)都是一種損失，百度把這種情況叫“抓取異?！薄?duì)于大量?jī)?nèi)容無(wú)法正常抓取的網(wǎng)站，百度搜索引擎會(huì)認(rèn)為網(wǎng)站存在用戶(hù)體驗(yàn)上的缺陷，并降低對(duì)網(wǎng)站的評(píng)價(jià)，在抓取、索引、排序上都會(huì)受到一定程度的負(fù)面影響，最終影響到網(wǎng)站從百度獲取的流量。

　　下面向站長(zhǎng)介紹一些常見(jiàn)的抓取異常原因:

　　1，服務(wù)器連接異常

　　服務(wù)器連接異常會(huì)有兩種情況：一種是站點(diǎn)不穩(wěn)定，Baiduspider嘗試連接您網(wǎng)站的服務(wù)器時(shí)出現(xiàn)暫時(shí)無(wú)法連接的情況；一種是Baiduspider一直無(wú)法連接上您網(wǎng)站的服務(wù)器。

　　造成服務(wù)器連接異常的原因通常是您的網(wǎng)站服務(wù)器過(guò)大，超負(fù)荷運(yùn)轉(zhuǎn)。也有可能是您的網(wǎng)站運(yùn)行不正常，請(qǐng)檢查網(wǎng)站的web服務(wù)器（如apache、iis）是否安裝且正常運(yùn)行，并使用瀏覽器檢查主要頁(yè)面能否正常訪問(wèn)。您的網(wǎng)站和主機(jī)還可能阻止了Baiduspider的訪問(wèn)，您需要檢查網(wǎng)站和主機(jī)的防火墻。

　　2，網(wǎng)絡(luò)運(yùn)營(yíng)商異常：網(wǎng)絡(luò)運(yùn)營(yíng)商分電信和聯(lián)通兩種，Baiduspider通過(guò)電信或網(wǎng)通無(wú)法訪問(wèn)您的網(wǎng)站。如果出現(xiàn)這種情況，您需要與網(wǎng)絡(luò)服務(wù)運(yùn)營(yíng)商進(jìn)行聯(lián)系，或者購(gòu)買(mǎi)擁有雙線(xiàn)服務(wù)的空間或者購(gòu)買(mǎi)cdn服務(wù)。

　　3，DNS異常：當(dāng)Baiduspider無(wú)法解析您網(wǎng)站的IP時(shí)，會(huì)出現(xiàn)DNS異常。可能是您的網(wǎng)站IP地址錯(cuò)誤，或者域名服務(wù)商把Baiduspider封禁。請(qǐng)使用WHOIS或者h(yuǎn)ost查詢(xún)自己網(wǎng)站IP地址是否正確且可解析，如果不正確或無(wú)法解析，請(qǐng)與域名注冊(cè)商聯(lián)系，更新您的IP地址。

　　4，IP封禁：IP封禁為：限制網(wǎng)絡(luò)的出口IP地址，禁止該IP段的使用者進(jìn)行內(nèi)容訪問(wèn)，在這里特指封禁了BaiduspiderIP。當(dāng)您的網(wǎng)站不希望Baiduspider訪問(wèn)時(shí)，才需要該設(shè)置，如果您希望Baiduspider訪問(wèn)您的網(wǎng)站，請(qǐng)檢查相關(guān)設(shè)置中是否誤添加了BaiduspiderIP。也有可能是您網(wǎng)站所在的空間服務(wù)商把百度IP進(jìn)行了封禁，這時(shí)您需要聯(lián)系服務(wù)商更改設(shè)置。

　　5，UA封禁：UA即為用戶(hù)代理（User-Agent），服務(wù)器通過(guò)UA識(shí)別訪問(wèn)者的身份。當(dāng)網(wǎng)站針對(duì)指定UA的訪問(wèn)，返回異常頁(yè)面（如403，500）或跳轉(zhuǎn)到其他頁(yè)面的情況，即為UA封禁。當(dāng)您的網(wǎng)站不希望Baiduspider訪問(wèn)時(shí)，才需要該設(shè)置，如果您希望Baiduspider訪問(wèn)您的網(wǎng)站，useragent相關(guān)的設(shè)置中是否有Baiduspider UA，并及時(shí)修改。

　　6，死鏈：頁(yè)面已經(jīng)無(wú)效，無(wú)法對(duì)用戶(hù)提供任何有價(jià)值信息的頁(yè)面就是死鏈接，包括協(xié)議死鏈和內(nèi)容死鏈兩種形式:

　　協(xié)議死鏈：頁(yè)面的TCP協(xié)議狀態(tài)/HTTP協(xié)議狀態(tài)明確表示的死鏈，常見(jiàn)的如404、403、503狀態(tài)等。

　　內(nèi)容死鏈：服務(wù)器返回狀態(tài)是正常的，但內(nèi)容已經(jīng)變更為不存在、已刪除或需要權(quán)限等與原內(nèi)容無(wú)關(guān)的信息頁(yè)面。

　　對(duì)于死鏈，我們建議站點(diǎn)使用協(xié)議死鏈，并通過(guò)百度站長(zhǎng)平臺(tái)--死鏈工具向百度提交，以便百度更快地發(fā)現(xiàn)死鏈，減少死鏈對(duì)用戶(hù)以及搜索引擎造成的負(fù)面影響。

　　7，異常跳轉(zhuǎn)：將網(wǎng)絡(luò)請(qǐng)求重新指向其他位置即為跳轉(zhuǎn)。異常跳轉(zhuǎn)指的是以下幾種情況：

　　1）當(dāng)前該頁(yè)面為無(wú)效頁(yè)面（內(nèi)容已刪除、死鏈等），直接跳轉(zhuǎn)到前一目錄或者首頁(yè)，百度建議站長(zhǎng)將該無(wú)效頁(yè)面的入口超鏈接刪除掉

　　2）跳轉(zhuǎn)到出錯(cuò)或者無(wú)效頁(yè)面

　　注意：對(duì)于長(zhǎng)時(shí)間跳轉(zhuǎn)到其他域名的情況，如網(wǎng)站更換域名，百度建議使用301跳轉(zhuǎn)協(xié)議進(jìn)行設(shè)置。

　　8，其他異常：

　　1）針對(duì)百度refer的異常：網(wǎng)頁(yè)針對(duì)來(lái)自百度的refer返回不同于正常內(nèi)容的行為。

　　2）針對(duì)百度ua的異常：網(wǎng)頁(yè)對(duì)百度UA返回不同于頁(yè)面原內(nèi)容的行為。

　　3）JS跳轉(zhuǎn)異常：網(wǎng)頁(yè)加載了百度無(wú)法識(shí)別的JS跳轉(zhuǎn)代碼，使得用戶(hù)通過(guò)搜索結(jié)果進(jìn)入頁(yè)面后發(fā)生了跳轉(zhuǎn)的情況。

　　4）壓力過(guò)大引起的偶然封禁：百度會(huì)根據(jù)站點(diǎn)的規(guī)模、訪問(wèn)量等信息，自動(dòng)設(shè)定一個(gè)合理的抓取壓力。但是在異常情況下，如壓力控制失常時(shí)，服務(wù)器會(huì)根據(jù)自身負(fù)荷進(jìn)行保護(hù)性的偶然封禁。這種情況下，請(qǐng)?jiān)诜祷卮a中返回503(其含義是“Service Unavailable”)，這樣Baiduspider會(huì)過(guò)段時(shí)間再來(lái)嘗試抓取這個(gè)鏈接，如果網(wǎng)站已空閑，則會(huì)被成功抓取。

　　新鏈接重要程度判斷

　　好啦，上面我們說(shuō)了影響B(tài)aiduspider正常抓取的原因，下面就要說(shuō)說(shuō)Baiduspider的一些判斷原則了。在建庫(kù)環(huán)節(jié)前，Baiduspide會(huì)對(duì)頁(yè)面進(jìn)行初步內(nèi)容分析和鏈接分析，通過(guò)內(nèi)容分析決定該網(wǎng)頁(yè)是否需要建索引庫(kù)，通過(guò)鏈接分析發(fā)現(xiàn)更多網(wǎng)頁(yè)，再對(duì)更多網(wǎng)頁(yè)進(jìn)行抓取——分析——是否建庫(kù)&發(fā)現(xiàn)新鏈接的流程。理論上，Baiduspider會(huì)將新頁(yè)面上所有能“看到”的鏈接都抓取回來(lái)，那么面對(duì)眾多新鏈接，Baiduspider根據(jù)什么判斷哪個(gè)更重要呢？?jī)煞矫妫?/p>

　　第一，對(duì)用戶(hù)的價(jià)值：

　　1，內(nèi)容獨(dú)特，百度搜索引擎喜歡unique的內(nèi)容

　　2，主體突出，切不要出現(xiàn)網(wǎng)頁(yè)主體內(nèi)容不突出而被搜索引擎誤判為空短頁(yè)面不抓取

　　3，內(nèi)容豐富

　　4，廣告適當(dāng)

　　第二，鏈接重要程度：

　　1，目錄層級(jí)——淺層優(yōu)先

　　2，鏈接在站內(nèi)的受歡迎程度

　　百度優(yōu)先建重要庫(kù)的原則

　　Baiduspider抓了多少頁(yè)面并不是最重要的，重要的是有多少頁(yè)面被建索引庫(kù)，即我們常說(shuō)的“建庫(kù)”。眾所周知，搜索引擎的索引庫(kù)是分層級(jí)的，優(yōu)質(zhì)的網(wǎng)頁(yè)會(huì)被分配到重要索引庫(kù)，普通網(wǎng)頁(yè)會(huì)待在普通庫(kù)，再差一些的網(wǎng)頁(yè)會(huì)被分配到低級(jí)庫(kù)去當(dāng)補(bǔ)充材料。目前60%的檢索需求只調(diào)用重要索引庫(kù)即可滿(mǎn)足，這也就解釋了為什么有些網(wǎng)站的收錄量超高流量卻一直不理想。

　　那么，哪些網(wǎng)頁(yè)可以進(jìn)入優(yōu)質(zhì)索引庫(kù)呢。其實(shí)總的原則就是一個(gè)：對(duì)用戶(hù)的價(jià)值。包括卻不僅于：

　　1，有時(shí)效性且有價(jià)值的頁(yè)面：在這里，時(shí)效性和價(jià)值是并列關(guān)系，缺一不可。有些站點(diǎn)為了產(chǎn)生時(shí)效性?xún)?nèi)容頁(yè)面做了大量采集工作，產(chǎn)生了一堆無(wú)價(jià)值面頁(yè)，也是百度不愿看到的.

　　2，內(nèi)容優(yōu)質(zhì)的專(zhuān)題頁(yè)面：專(zhuān)題頁(yè)面的內(nèi)容不一定完全是原創(chuàng)的，即可以很好地把各方內(nèi)容整合在一起，或者增加一些新鮮的內(nèi)容，比如觀點(diǎn)和評(píng)論，給用戶(hù)更豐富全面的內(nèi)容。

　　3，高價(jià)值原創(chuàng)內(nèi)容頁(yè)面：百度把原創(chuàng)定義為花費(fèi)一定成本、大量經(jīng)驗(yàn)積累提取后形成的文章。千萬(wàn)不要再問(wèn)我們偽原創(chuàng)是不是原創(chuàng)。

　　4，重要個(gè)人頁(yè)面：這里僅舉一個(gè)例子，科比在新浪微博開(kāi)戶(hù)了，需要他不經(jīng)常更新，但對(duì)于百度來(lái)說(shuō)，它仍然是一個(gè)極重要的頁(yè)面。

　　哪些網(wǎng)頁(yè)無(wú)法建入索引庫(kù)

　　上述優(yōu)質(zhì)網(wǎng)頁(yè)進(jìn)了索引庫(kù)，那其實(shí)互聯(lián)網(wǎng)上大部分網(wǎng)站根本沒(méi)有被百度收錄。并非是百度沒(méi)有發(fā)現(xiàn)他們，而是在建庫(kù)前的篩選環(huán)節(jié)被過(guò)濾掉了。那怎樣的網(wǎng)頁(yè)在最初環(huán)節(jié)就被過(guò)濾掉了呢：

　　1， 重復(fù)內(nèi)容的網(wǎng)頁(yè)：互聯(lián)網(wǎng)上已有的內(nèi)容，百度必然沒(méi)有必要再收錄。

　　2， 主體內(nèi)容空短的網(wǎng)頁(yè)

　　1）有些內(nèi)容使用了百度spider無(wú)法解析的技術(shù)，如JS、AJAX等，雖然用戶(hù)訪問(wèn)能看到豐富的內(nèi)容，依然會(huì)被搜索引擎拋棄

　　2）加載速度過(guò)慢的網(wǎng)頁(yè)，也有可能被當(dāng)作空短頁(yè)面處理，注意廣告加載時(shí)間算在網(wǎng)頁(yè)整體加載時(shí)間內(nèi)。

　　3）很多主體不突出的網(wǎng)頁(yè)即使被抓取回來(lái)也會(huì)在這個(gè)環(huán)節(jié)被拋棄。

　　3， 部分作弊網(wǎng)頁(yè)

　　第二節(jié)-檢索排序

　　搜索引擎索引系統(tǒng)概述

　　眾所周知，搜索引擎的主要工作過(guò)程包括：抓取、存儲(chǔ)、頁(yè)面分析、索引、檢索等幾個(gè)主要過(guò)程。上一章我們主要介紹了部分抓取存儲(chǔ)環(huán)節(jié)中的內(nèi)容，此章簡(jiǎn)要介紹一下索引系統(tǒng)。

　　在以?xún)|為單位的網(wǎng)頁(yè)庫(kù)中查找特定的某些關(guān)鍵詞猶如大海里面撈針，也許一定的時(shí)間內(nèi)可以完成查找，但是用戶(hù)等不起，從用戶(hù)體驗(yàn)角度我們必須在毫秒級(jí)別給予用戶(hù)滿(mǎn)意的結(jié)果，否則用戶(hù)只能流失。怎樣才能達(dá)到這種要求呢？

　　如果能知道用戶(hù)查找的關(guān)鍵詞（query切詞后）都出現(xiàn)在哪些頁(yè)面中，那么用戶(hù)檢索的處理過(guò)程即可以想象為包含了query中切詞后不同部分的頁(yè)面集合求交的過(guò)程，而檢索即變成了頁(yè)面名稱(chēng)之間的比較、求交。這樣，在毫秒內(nèi)以?xún)|為單位的檢索成為了可能。這就是通常所說(shuō)的倒排索引及求交檢索的過(guò)程。如下為建立倒排索引的基本過(guò)程：

　　1，頁(yè)面分析的過(guò)程實(shí)際上是將原始頁(yè)面的不同部分進(jìn)行識(shí)別并標(biāo)記，例如：title、keywords、content、link、anchor、評(píng)論、其他非重要區(qū)域等等；

　　2，分詞的過(guò)程實(shí)際上包括了切詞分詞同義詞轉(zhuǎn)換同義詞替換等等，以對(duì)某頁(yè)面title分詞為例，得到的將是這樣的數(shù)據(jù)：term文本、termid、詞類(lèi)、詞性等等；

　　3，之前的準(zhǔn)備工作完成后，接下來(lái)即是建立倒排索引，形成{termàdoc}，下圖即是索引系統(tǒng)中的倒排索引過(guò)程。

　　倒排索引是搜索引擎實(shí)現(xiàn)毫秒級(jí)檢索非常重要的一個(gè)環(huán)節(jié)，下面我們要重要介紹一下索引系統(tǒng)建立倒排索引的重要過(guò)程——入庫(kù)寫(xiě)庫(kù)。

　　倒排索引的重要過(guò)程——入庫(kù)寫(xiě)庫(kù)

　　索引系統(tǒng)在建立倒排索引的最后還需要有一個(gè)入庫(kù)寫(xiě)庫(kù)的過(guò)程，而為了提高效率這個(gè)過(guò)程還需要將全部term以及偏移量保存在文件頭部，并且對(duì)數(shù)據(jù)進(jìn)行壓縮，這涉及到的過(guò)于技術(shù)化在此就不多提了。在此簡(jiǎn)要給大家介紹一下索引之后的檢索系統(tǒng)。

　　檢索系統(tǒng)主要包含了五個(gè)部分，如下圖所示：

　?。?）Query串切詞分詞即將用戶(hù)的查詢(xún)?cè)~進(jìn)行分詞，對(duì)之后的查詢(xún)做準(zhǔn)備，以“10號(hào)線(xiàn)地鐵故障”為例，可能的分詞如下（同義詞問(wèn)題暫時(shí)略過(guò)）：

　　10 0x123abc

　　號(hào) 0x13445d

　　線(xiàn) 0x234d

　　地鐵 0x145cf

　　故障 0x354df

　?。?）查出含每個(gè)term的文檔集合，即找出待選集合，如下：

　　0x123abc 1 2 3 4 7 9…..

　　0x13445d 2 5 8 9 10 11……

　　……

　　……

　?。?）求交，上述求交，文檔2和文檔9可能是我們需要找的，整個(gè)求交過(guò)程實(shí)際上關(guān)系著整個(gè)系統(tǒng)的性能，這里面包含了使用緩存等等手段進(jìn)行性能優(yōu)化；

　?。?）各種過(guò)濾，舉例可能包含過(guò)濾掉死鏈、重復(fù)數(shù)據(jù)、色情、垃圾結(jié)果以及你懂的；

　　（5）最終排序，將最能滿(mǎn)足用戶(hù)需求的結(jié)果排序在最前，可能包括的有用信息如：網(wǎng)站的整體評(píng)價(jià)、網(wǎng)頁(yè)質(zhì)量、內(nèi)容質(zhì)量、資源質(zhì)量、匹配程度、分散度、時(shí)效性等等

　　影響搜索結(jié)果排序的因素

　　上面的內(nèi)容好象有些深?yuàn)W，因?yàn)樯婕按罅考夹g(shù)細(xì)節(jié)，我們只能說(shuō)到這兒了。那下面我們說(shuō)說(shuō)大家最感興趣的排序問(wèn)題吧。用戶(hù)輸入關(guān)鍵詞進(jìn)行檢索，百度搜索引擎在排序環(huán)節(jié)要做兩方面的事情，第一是把相關(guān)的網(wǎng)頁(yè)從索引庫(kù)中提取出來(lái)，第二是把提取出來(lái)的網(wǎng)頁(yè)按照不同維度的得分進(jìn)行綜合排序?！安煌S度”包括：

　　1，相關(guān)性：網(wǎng)頁(yè)內(nèi)容與用戶(hù)檢索需求的匹配程度，比如網(wǎng)頁(yè)包含的用戶(hù)檢查關(guān)鍵詞的個(gè)數(shù)，以及這些關(guān)鍵詞出現(xiàn)的位置；外部網(wǎng)頁(yè)指向該頁(yè)面所用的錨文本等

　　2，權(quán)威性：用戶(hù)喜歡有一定權(quán)威性網(wǎng)站提供的內(nèi)容，相應(yīng)的，百度搜索引擎也更相信優(yōu)質(zhì)權(quán)威站點(diǎn)提供的內(nèi)容。

　　3，時(shí)效性：時(shí)效性結(jié)果指的是新出現(xiàn)的網(wǎng)頁(yè)，且網(wǎng)頁(yè)內(nèi)承載了新鮮的內(nèi)容。目前時(shí)效性結(jié)果在搜索引擎中日趨重要。

　　4，重要性：網(wǎng)頁(yè)內(nèi)容與用戶(hù)檢查需求匹配的重要程度或受歡迎程度

　　5，豐富度：豐富度看似簡(jiǎn)單卻是一個(gè)覆蓋范圍非常廣的命題。可以理解為網(wǎng)頁(yè)內(nèi)容豐富，可以完全滿(mǎn)足用戶(hù)需求；不僅可以滿(mǎn)足用戶(hù)單一需求，還可以滿(mǎn)足用戶(hù)的延展需求。

　　6，受歡迎程度：指該網(wǎng)頁(yè)是不是受歡迎。

　　以上便是百度搜索引擎決定搜索結(jié)果排序時(shí)考慮的六大原則，那么六大原則的側(cè)重點(diǎn)是怎樣的呢？哪個(gè)原則在實(shí)際應(yīng)用時(shí)占比最大呢？其實(shí)在這里沒(méi)有一個(gè)確切的答案。在百度搜索引擎早期，這些閾值的確是相對(duì)固定的，比如“相關(guān)性”在整體排序中的重量可以占到七成。但隨著互聯(lián)網(wǎng)的不斷發(fā)展，檢索技術(shù)的進(jìn)步，網(wǎng)頁(yè)數(shù)量的爆發(fā)式增長(zhǎng)，相關(guān)性已經(jīng)不是難題。于是百度搜索引擎引入了機(jī)器學(xué)習(xí)機(jī)制，讓程序自動(dòng)產(chǎn)出計(jì)算公式，推進(jìn)排序策略更加合理。