搜索引擎工作過程非常復(fù)雜，今天和大家分享一下我所了解的百度蜘蛛是怎么實(shí)現(xiàn)網(wǎng)頁收錄的。
搜索引擎工作大致可以分為四個(gè)過程。
1、蜘蛛爬行抓取。
2、信息過濾。
3、建立網(wǎng)頁關(guān)鍵詞索引。
4、用戶搜索輸出結(jié)果。
蜘蛛爬行抓取
當(dāng)百度蜘蛛來到一個(gè)頁面時(shí)，它會(huì)跟蹤頁面上的鏈接，從這個(gè)頁面爬行到下一個(gè)頁面，就好像一個(gè)遞歸過程，這樣常年累月，不止疲倦的工作。比如蜘蛛來到了我的博客首頁http://blog.sina.com.cn/netSEOer，它會(huì)先讀取根目錄下的robots.txt文件，如果沒有禁止搜索引擎抓取，那么蜘蛛就開始針對(duì)網(wǎng)頁上的鏈接，進(jìn)行逐一跟蹤爬行。比如我的置頂文章“SEO概述|什么是SEO SEO到底是干嘛的”，引擎就會(huì)多進(jìn)程式的來到這篇文章所在的網(wǎng)頁抓取信息，如此循壞，沒有終結(jié)。
信息過濾
為了避免重復(fù)爬行和抓取網(wǎng)址，搜索引擎會(huì)有一個(gè)記錄已爬行和未被爬行的地址庫，如果你有一個(gè)新網(wǎng)站時(shí)，你可以去百度官網(wǎng)提交網(wǎng)站的網(wǎng)址，引擎就會(huì)記錄它，并把它歸類到未爬行的網(wǎng)址，然后蜘蛛就會(huì)根據(jù)這個(gè)表格，從數(shù)據(jù)庫中提取URL，訪問并抓取頁面。
蜘蛛并不會(huì)收錄所有的頁面，它要經(jīng)過嚴(yán)格檢測(cè)。當(dāng)蜘蛛在爬行和抓取一個(gè)網(wǎng)頁的內(nèi)容時(shí)，會(huì)進(jìn)行一定程度的復(fù)制內(nèi)容檢測(cè)，如果網(wǎng)頁所在的網(wǎng)站權(quán)重低，而且大部分文章都是抄襲來的話，蜘蛛就很可能不喜歡你的網(wǎng)站了，不在繼續(xù)爬行，也就不收錄你的網(wǎng)站。
建立網(wǎng)頁關(guān)鍵詞索引
當(dāng)蜘蛛抓取了一個(gè)頁面之后，首先會(huì)對(duì)頁面文字內(nèi)容進(jìn)行分析。通過分詞技術(shù)，將網(wǎng)頁的內(nèi)容簡(jiǎn)化到關(guān)鍵詞，并把關(guān)鍵詞和對(duì)應(yīng)的網(wǎng)址制成表格建立索引。
索引又有正向索引和反向索引，正向索引是把網(wǎng)頁內(nèi)容對(duì)應(yīng)的關(guān)鍵詞，反向是關(guān)鍵詞對(duì)應(yīng)的網(wǎng)頁信息。
輸出結(jié)果
當(dāng)用戶搜索了某個(gè)關(guān)鍵詞之后，就會(huì)通過前面建立的索引表進(jìn)行關(guān)鍵詞匹配，通過反向索引表找到關(guān)鍵詞對(duì)應(yīng)的頁面，通過引擎對(duì)網(wǎng)頁綜合評(píng)分計(jì)算以后，根據(jù)網(wǎng)頁的評(píng)分來決定網(wǎng)頁的先后順序排名。
相關(guān)推薦：
網(wǎng)站優(yōu)化 百度蜘蛛到底喜歡什么？
怎么查詢ip是否為百度蜘蛛ip? tracert指令的使用方法
