在開始講這些問題之前，需要先閱讀完以下文檔：
《優(yōu)化網(wǎng)站的抓取與收錄》 http://www.google.cn/ggblog/googlewebmaster-cn/2009/08/blog-post.html
《谷歌搜索引擎入門指南》第7頁到11頁。 點(diǎn)此下載
《創(chuàng)建方便 Google 處理的網(wǎng)址結(jié)構(gòu)》 http://www.google.com/support/webmasters/bin/answer.py？hl=cnanswer=76329
這些都是google官方的文檔，講述了各種各樣的規(guī)則。這些對百度也是同樣適用的，因?yàn)樗轻槍ε老x的特性提出來的，并不是只有某個(gè)搜索引擎才適用。
看完上面的那些這些規(guī)則，發(fā)現(xiàn)翻來覆去講得都是怎么讓爬蟲能非常順暢的抓取完整個(gè)網(wǎng)站。其實(shí)絕大部分網(wǎng)站都存在這樣或那樣的問題的，也包括我這個(gè)博客，在抓取方面也存在一些問題。但是看在每篇博文都能被收錄的情況下，也就不去優(yōu)化了。但是對于很多收錄還成問題的網(wǎng)站（特別是大中型網(wǎng)站）來說，就要好好規(guī)劃一下了。大家可以用HTTrack抓取semyj這個(gè)博客看看，就能發(fā)現(xiàn)為什么我這么說了。（誰能一天之內(nèi)抓取完這個(gè)博客的人請告訴我。）
還是先從搜索引擎的處境講起吧。正如Google在文章中寫道的那樣：
網(wǎng)絡(luò)世界極其龐大；每時(shí)每刻都在產(chǎn)生新的內(nèi)容。Google 本身的資源是有限的，當(dāng)面對幾近無窮無盡的網(wǎng)絡(luò)內(nèi)容的時(shí)候，Googlebot 只能找到和抓取其中一定比例的內(nèi)容。然后，在我們已經(jīng)抓取到的內(nèi)容中，我們也只能索引其中的一部分。
URLs 就像網(wǎng)站和搜索引擎抓取工具之間的橋梁： 為了能夠抓取到您網(wǎng)站的內(nèi)容，抓取工具需要能夠找到并跨越這些橋梁（也就是找到并抓取您的URLs）。
這段話很好的總結(jié)了搜索引擎所面臨的處境，那么爬蟲在處理URL的時(shí)候會遇到哪些問題呢？
我們先來看重復(fù)URL的問題，這里說的重復(fù)URL是指同一個(gè)網(wǎng)站內(nèi)的不同頁面，都存在很多完全相同的URL。如：
http://www.semyj.com/archives/1097 和 http://www.semyj.com/archives/1114 這兩個(gè)頁面。
模板部分的URL是一樣的
雖然頁面不同，但是他們公用的部分，URL地址是一樣的?？雌饋砣绻煌呐老x抓取到這些頁面的時(shí)候，會重復(fù)抓取，從而浪費(fèi)很多不必要的時(shí)間。 這確實(shí)是一個(gè)問題，不過這個(gè)問題搜索引擎倒是基本解決好了。實(shí)際上，爬蟲的抓取模式不是像我們理解的那樣看到一個(gè)網(wǎng)頁就開始抓取一個(gè)網(wǎng)頁的。
爬蟲順著一個(gè)個(gè)的URL在互聯(lián)網(wǎng)上抓取網(wǎng)頁，它一邊下載這個(gè)網(wǎng)頁，一邊在提取這個(gè)網(wǎng)頁中的鏈接。假設(shè)從搜索引擎某一個(gè)節(jié)點(diǎn)出來的爬蟲有爬蟲A、爬蟲B、爬蟲C，當(dāng)它們到達(dá)semyj這個(gè)網(wǎng)站的時(shí)候，每個(gè)爬蟲都會抓取到很多URL，然后他們都會把那個(gè)頁面上所有的鏈接都放在一個(gè)公用的“待抓取列表”里。（可以用lynx在線版模擬一下爬蟲提取鏈接。）
待抓取列表
這樣一來，在“待抓取列表”里，那些重復(fù)的URL就可以被去重了。這是一個(gè)節(jié)點(diǎn)在一種理想狀態(tài)下的情況，不過實(shí)際上因?yàn)樗阉饕嬉院筮€要更新這個(gè)網(wǎng)頁等等一些原因，一個(gè)網(wǎng)站每天還是有很多重復(fù)抓取。所以在以前的文章中，我告訴大家用一些方法減少重復(fù)抓取的幾率。
這里有一個(gè)問題，很多人肯定想問是不是一個(gè)網(wǎng)頁上所有的鏈接搜索引擎都會提取的，答案是肯定的。但是在《google網(wǎng)站質(zhì)量指南》中，有這樣一句：“如果站點(diǎn)地圖上的鏈接超過 100 個(gè)，則需要將站點(diǎn)地圖拆分為多個(gè)網(wǎng)頁。”有些人把這句話理解為：“爬蟲只能抓取前100個(gè)鏈接”，這是不對的。
因?yàn)樵?ldquo;待抓取列表”里的URL，爬蟲并不會每一個(gè)鏈接都會抓取的。 鏈接放在這個(gè)列表里是沒問題的，但是爬蟲沒有那么多時(shí)間也沒必要每個(gè)鏈接都要去抓取，需要有一定的優(yōu)先級。在“待訪問列表”里，爬蟲一邊按照優(yōu)先級抓取一部分的URL，一邊把還未被抓取的URL記錄下來等待下次抓取，只是這些還未被抓取的URL，下次爬蟲來訪問的頻率就每個(gè)網(wǎng)站都不一樣了， 每一類URL被訪問的頻率也不一樣。
按優(yōu)先級抓取
那么在“待抓取列表”里的URL，哪些是能被優(yōu)先抓取，哪些是被次要抓取的呢？
我們稍微思考一下都能明白這個(gè)抓取的優(yōu)先級策略應(yīng)該怎么定。首先，那些目錄層級比較深的URL是次要抓取的；那些在模板部分的或重復(fù)率非常高的URL是被次要抓取的；那些動(dòng)態(tài)參數(shù)多的URL是次要抓取的…。.
這么做的原因，就是因?yàn)樗阉饕娴馁Y源是有限的，一個(gè)網(wǎng)站實(shí)際擁有的內(nèi)容也是有限的，但是URL數(shù)量是無限的。爬蟲需要一些“蛛絲馬跡”來確定哪些值得優(yōu)先抓取，哪些不值得。
在《谷歌搜索引擎入門指南》中，google建議要優(yōu)化好網(wǎng)站的URL結(jié)構(gòu)，如建議不要用“…/dir1/dir2/dir3/dir4/dir5/dir6/page.html”這樣的多層嵌套。就是因?yàn)樵诖ト×斜砝铮谄渌麠l件相同的情況下，爬蟲會優(yōu)先抓取目錄層級淺的URL。如用Lynx在線版查看本網(wǎng)站的頁面：
抓取優(yōu)先級
如果說，在這17個(gè)鏈接里，爬蟲只能選幾個(gè)鏈接抓取的話，紅色箭頭所指的鏈接在其他條件相同的情況下是要優(yōu)先的。
但是這里又有一個(gè)誤區(qū)，有人在SEO過程中，把所有的網(wǎng)頁都建立在根目錄下，以為這樣能有排名的優(yōu)勢。這樣也是沒有理解這個(gè)原因。而且爬蟲在這個(gè)網(wǎng)站上先抓取哪些URL后抓取哪些URL，都是自己的URL和自己的URL比，如果所有網(wǎng)頁都是在同一個(gè)目錄下，那就沒有區(qū)別了。
最好的規(guī)劃URL目錄層級的方式，就是按照業(yè)務(wù)方的邏輯來規(guī)劃，從內(nèi)容上應(yīng)該是什么從屬關(guān)系就怎么規(guī)劃URL就是。就像《谷歌搜索引擎入門指南》中舉的那些例子一樣。
（順帶說一下。我經(jīng)?？吹?，一個(gè)網(wǎng)站中，很多人非SEO的人員，如工程師和網(wǎng)頁設(shè)計(jì)人員或者網(wǎng)站編輯，都以為SEO和他們做的事情是相反的。這都是因?yàn)殚L期以來一些SEOer經(jīng)常提交很多明顯違反用戶體驗(yàn)的SEO需求給他們，造成他們以為SEO就是和他們做的事情是有沖突的。實(shí)際上，SEO和別的部門有非常少的沖突，只要你能用科學(xué)的方法去實(shí)踐，就能發(fā)現(xiàn)以前有太多誤導(dǎo)人的觀點(diǎn)了。還有，對于其他部門的專業(yè)人員，他們專業(yè)領(lǐng)域的意見非常值得去考慮。）
爬蟲有一個(gè)特點(diǎn)，就是它不能實(shí)時(shí)的比較它正在抓取的內(nèi)容是不是重復(fù)的內(nèi)容。因?yàn)槿绻龅綄?shí)時(shí)的比較，那它至少要把正在抓取的頁面和那些已經(jīng)在索引庫的頁面做對比，這是不可能短時(shí)間內(nèi)可以完成的。 前面把所有URL統(tǒng)一放到一個(gè)待抓取列表中的方法只能避免那種URL完全一模一樣的重復(fù)抓取，但是無法應(yīng)對URL不一樣、但是內(nèi)容一樣的抓取。
正如所有搜索引擎都強(qiáng)調(diào)的那樣，動(dòng)態(tài)參數(shù)是一個(gè)經(jīng)常產(chǎn)生URL不一樣、但是內(nèi)容一樣的現(xiàn)象的原因。所以搜索引擎建議大家用靜態(tài)化的方法去掉那些參數(shù)。靜態(tài)化的本質(zhì)是URL唯一化，在《優(yōu)化網(wǎng)站的抓取與收錄》這篇文章中，曾經(jīng)用的“一人一票”這個(gè)描述就很貼切的表達(dá)了這個(gè)意思。靜態(tài)化只是一個(gè)手段而不是目的，為了保證URL的唯一化，可以把URL靜態(tài)化、也可以用robots.txt或nofollow屏蔽動(dòng)態(tài)內(nèi)容、可以用rel=canonical屬性、還可以在webmaster tool里屏蔽一些參數(shù)等等。
而靜態(tài)化也會有好的靜態(tài)化和不好的靜態(tài)化之別。我們這里不說那種把多個(gè)參數(shù)直接靜態(tài)化了的案例，而是單純來看看如下兩個(gè)URL：
http://www.semyj.com/archives/1097和 http://www.semyj.com？p=1097
這兩個(gè)URL中，這個(gè)靜態(tài)化的是不是就比動(dòng)態(tài)的好呢？ 實(shí)際上這兩個(gè)URL的差別很小。首先這兩種URL搜索引擎都能收錄，如果說動(dòng)態(tài)URL“？p=1097”可能產(chǎn)生大量重復(fù)的內(nèi)容讓爬蟲抓取，那這個(gè)靜態(tài)的URL“archives/1097”也不能保證不會產(chǎn)生大量重復(fù)的內(nèi)容。特別是爬蟲在抓取時(shí)碰到大量有ID的靜態(tài)的URL時(shí)，爬蟲無法判斷這個(gè)網(wǎng)站是不是把session ID等參數(shù)靜態(tài)化了才造成的，還是這個(gè)網(wǎng)站本來就有這么多內(nèi)容。 所以更好的靜態(tài)化是這樣的：
http://www.semyj.com/archives/seo-jingli
這種URL就能保證唯一化而不會和其他情況混淆了，所以URL中要盡量用有意義的字符。這不是因?yàn)橐赨RL增加關(guān)鍵詞密度而這么做的，是為了方便搜索引擎抓取。
以上是因?yàn)榕老x固有的特點(diǎn)造成的抓取障礙，而有時(shí)網(wǎng)站的結(jié)構(gòu)也能造成爬蟲的抓取障礙。這種結(jié)構(gòu)在《優(yōu)化網(wǎng)站的抓取與收錄》一文中用的名字是“無限空間”。文中舉了一個(gè)日歷的例子：如很多博客上都會有一個(gè)日歷，順著這個(gè)日歷的日期一直往下點(diǎn)，永遠(yuǎn)都有鏈接供你點(diǎn)擊的，因?yàn)闀r(shí)間是無限的。
其實(shí)還有更多的“無限空間”的例子，只是“無限空間”這個(gè)名詞沒怎么翻譯好，翻譯做“無限循環(huán)”就容易理解多了。 舉一個(gè)例子：
京東商城筆記本分類頁面： http://www.360buy.com/products/670-671-672-0-0-0-0-0-0-0-1-1-1.html
篩選條件
當(dāng)點(diǎn)擊“惠普”+“11英寸”這2個(gè)條件后能出來一個(gè)頁面，點(diǎn)擊“聯(lián)想”+“14英寸”+“獨(dú)立顯卡”也能出來一個(gè)頁面。那總共能出來的頁面有多少呢？
這個(gè)頁面中，品牌有18個(gè)分類、價(jià)格9個(gè)分類、尺寸7個(gè)分類、平臺3個(gè)分類、顯卡2個(gè)分類。 那么可以組合成的URL個(gè)數(shù)為：
按1個(gè)條件篩選： 18+9+7+3+2 = 39 。
按2個(gè)條件篩選：18×9+18×7+18×3+18×2+9×7+9×3+9×2+7×3+7×2+3×2=527 。
按3個(gè)條件篩選：18×9×7+18×9×3+18×9×2+18×7×3+18×7×2+18×3×2+9×7×3+9×7×2+9×3×2+7×3×2=3093。
按4個(gè)條件篩選：18×9×7×3+18×9×7×2+18×7×3×2+18×9×3×2+9×7×3×2=7776。
按5個(gè)條件篩選：18×9×7×3×2=6804。
總共可以組合出的URL數(shù)量為：39+527+3093+7776+6804=18239 個(gè)。
筆記本分類里總共才 624個(gè)商品，要放在18239個(gè)頁面中，而有的頁面，一個(gè)頁面就能放32個(gè)產(chǎn)品。勢必造成大量的頁面是沒有商品的。如點(diǎn)擊這幾個(gè)篩選條件后，就沒有匹配的商品出來了：
無結(jié)果
這樣的結(jié)果，就是造成大量重復(fù)的內(nèi)容以及消耗爬蟲很多不必要的時(shí)間，這也可以認(rèn)為是“無限空間”。 這類情況非常常見。如
某房產(chǎn)網(wǎng)的無限空間
上面舉的京東商城的例子還是不怎么嚴(yán)重的，有的網(wǎng)站能組合出幾億甚至無窮無盡個(gè)URL出來。我在國內(nèi)和國外看過那么多同類的網(wǎng)站，居然發(fā)現(xiàn)迄今為止只有兩家網(wǎng)站注意到了這個(gè)問題。究其原因，還是因?yàn)楹芏郤EO人員不太重視數(shù)據(jù)，這種問題稍微分析爬蟲的日志就可以看出來的。直到現(xiàn)在，還有一些SEOer認(rèn)為把這些以前是動(dòng)態(tài)的頁面靜態(tài)化是個(gè)有積極意義的事情，沒看到不好的一面就是這樣的動(dòng)作制造出了大量重復(fù)的頁面，向來就是一個(gè)在SEO方面不好的改動(dòng)。
文章來源：http://www.semyj.com/archives/1136
