如何和搜索引擎爬蟲(chóng)對(duì)話
抓取策略：那些網(wǎng)頁(yè)是我們需要去下載的，那些是無(wú)需下載的，那些網(wǎng)頁(yè)是我們優(yōu)先下載的，定義清楚之后，能節(jié)省很多無(wú)謂的爬取。更新策略：監(jiān)控列表頁(yè)來(lái)發(fā)現(xiàn)新的頁(yè)面；定期check 頁(yè)面是否過(guò)期等等。抽取策略：我們應(yīng)該如何的從網(wǎng)頁(yè)中抽取我們想要的內(nèi)容，不僅僅包含最終的目標(biāo)內(nèi)容，還有下一步要抓取的url.抓取頻率：我們需要合理的去下載一個(gè)網(wǎng)站，卻又不失效率。
讓我對(duì)“如何和爬蟲(chóng)對(duì)話 ”這個(gè)課題有了一些思考，下面歸納的主要用于迎合上面提到的爬蟲(chóng)“抓取策略”。
1、通過(guò) robots.txt 和爬蟲(chóng)對(duì)話：搜索引擎發(fā)現(xiàn)一個(gè)新站，原則上第一個(gè)訪問(wèn)的就是 robots.txt 文件，可以通過(guò) allow/disallow 語(yǔ)法告訴搜索引擎那些文件目錄可以被抓取和不可以被抓取。
關(guān)于 robots.txt 的詳細(xì)介紹：about /robots.txt另外需要注意的是：allow/disallow 語(yǔ)法的順序是有區(qū)別的
2、通過(guò) meta tag 和爬蟲(chóng)對(duì)話：比如有的時(shí)候我們希望網(wǎng)站列表頁(yè)不被搜索引擎收錄但是又希望搜索引擎抓取，那么可以通過(guò) ＜meta name=“robots” content=“noindex，follow”＞ 告訴爬蟲(chóng)，其他常見(jiàn)的還有 noarchive，nosnippet，noodp 等。
3、通過(guò) rel=“nofollow” 和爬蟲(chóng)對(duì)話：關(guān)于 rel=“nofollow” 最近國(guó)平寫了一篇文章《如何用好 nofollow》很值得一讀，相信讀完之后你會(huì)有很大的啟發(fā)。
4、通過(guò) rel=“canonical” 和爬蟲(chóng)對(duì)話：關(guān)于 rel=“canonical” 谷歌網(wǎng)站站長(zhǎng)工具幫助有很詳細(xì)的介紹：深入了解 rel=“canonical”
5、通過(guò)網(wǎng)站地圖和爬蟲(chóng)對(duì)話：比較常見(jiàn)的是 xml 格式 sitemap 和 html 格式 sitemap，xml 格式 sitemap 可以分割處理或者壓縮壓縮，另外，sitemap 的地址可以寫入到 robots.txt 文件。
6、通過(guò)網(wǎng)站管理員工具和搜索引擎對(duì)話：我們接觸最多的就是谷歌網(wǎng)站管理員工具，可以設(shè)定 googlebot 抓取的頻率，屏蔽不想被抓取的鏈接，控制 sitelinks 等，另外，Bing 和 Yahoo 也都有管理員工具，百度有一個(gè)百度站長(zhǎng)平臺(tái)，內(nèi)測(cè)一年多了仍舊在內(nèi)測(cè)，沒(méi)有邀請(qǐng)碼無(wú)法注冊(cè)。
另外，這里面還衍生出一個(gè)概念，就是我一直比較重視的網(wǎng)站收錄比，所謂網(wǎng)站收錄比=網(wǎng)站在搜索引擎的收錄數(shù)/網(wǎng)站真實(shí)數(shù)據(jù)量，網(wǎng)站收錄比越高，說(shuō)明搜索引擎對(duì)網(wǎng)站的抓取越順利。
暫時(shí)就想到這些，目的在于嘗試性的探討如何更有效的提高網(wǎng)站在搜索引擎的收錄量。
權(quán)當(dāng)拋磚引玉，歡迎各位補(bǔ)充！
備注：
網(wǎng)絡(luò)爬蟲(chóng)（web crawler）又稱為網(wǎng)絡(luò)蜘蛛（web spider）是一段計(jì)算機(jī)程序，它從互聯(lián)網(wǎng)上按照一定的邏輯和算法抓取和下載互聯(lián)網(wǎng)的網(wǎng)頁(yè)，是搜索引擎的一個(gè)重要組成部分。
本文作者：Bruce，原文地址。
來(lái)源：月光博客
