如何提高spider抓取网站？271

提高spider抓取策略有哪些？

三、多种URL重定向的识别

为了让spider能够对多种URL重定向的识别，重定向分别有三类：HTTP 30x重定向、Meta refresh重定向和JS重定向。百度目前也支持Canonical标签。

四、抓取优先级调配

想让搜索引擎抓取网站全部页面，是没有百分百的。所以需要在抓取系统设计抓取优先级调配。

抓取优先级调配包含：宽度优先遍历策略、PR优先策略、深度优先遍历策略等等。根据实际情况结合多种策略使用完善抓取效果。

五、重复URL的过滤

网站出现重复的URL过多，会引发被降权。

重复页面可以使用301重定向，在服务器端对标准URL进行定义。把不标准的URL都301重定向到标准的URL上。

六、暗网数据的获取

暗网数据指的是搜索引擎无法抓取的数据。主要因为网站上的数据都在网络数据库中，spider很难抓取中获得完整内容；其次网络环境和网站本身不符合规范等问题，导致搜索引擎无法抓取。

解决暗网数据的问题，可以通过百度站长平台数据提交的方式来解决。

七、抓取反作弊

Spider在抓取过程中会抓取到低质量页面或者是被黑的页面。通过分析URL特征、页面的大小等等原因，完善的抓取反作弊。

2022-05-17