搜索引擎工作過程非常復雜,今天和大家分享一下我所了解的百度蜘蛛是怎么實現網頁收錄的工作過程的。
搜索引擎工作大致可以分為四個過程。
1、蜘蛛爬行抓取。
2、信息過濾。
3、建立網頁關鍵詞索引。
4、用戶搜索輸出結果。
蜘蛛爬行抓取
當百度蜘蛛來到一個頁面時,它會跟蹤頁面上的鏈接,從這個頁面爬行到下一個頁面,就好像一個遞歸過程,這樣常年累月,不止疲倦的工作。比如蜘蛛來到了我的網站首頁,它會先讀取根目錄下的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網頁上的鏈接,進行逐一跟蹤爬行。比如我的置頂文章“網站優化概述|什么是網站優化 網站優化到底是干嘛的”,引擎就會多進程式的來到這篇文章所在的網頁抓取信息,如此循壞,沒有終結。
信息過濾
為了避免重復爬行和抓取網址,搜索引擎會有一個記錄已爬行和未被爬行的地址庫,如果你有一個新網站時,你可以去百度官網提交網站的網址,引擎就會記錄它,并把它歸類到未爬行的網址,然后蜘蛛就會根據這個表格,從數據庫中提取URL,訪問并抓取頁面。
蜘蛛并不會收錄所有的頁面,它要經過嚴格檢測。當蜘蛛在爬行和抓取一個網頁的內容時,會進行一定程度的復制內容檢測,如果網頁所在的網站權重低,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站了,不在繼續爬行,也就不收錄你的網站。
建立網頁關鍵詞索引
當蜘蛛抓取了一個頁面之后,首先會對頁面文字內容進行分析。通過分詞技術,將網頁的內容簡化到關鍵詞,并把關鍵詞和對應的網址制成表格建立索引。
索引又有正向索引和反向索引,正向索引是把網頁內容對應的關鍵詞,反向是關鍵詞對應的網頁信息。
輸出結果
當用戶搜索了某個關鍵詞之后,就會通過前面建立的索引表進行關鍵詞匹配,通過反向索引表找到關鍵詞對應的頁面,通過引擎對網頁綜合評分計算以后,根據網頁的評分來決定網頁的先后順序排名。
以上便是百度蜘蛛對一個網頁抓取過程的原理及內容呈現了,希望對你有幫助。歡迎閱讀我們更多客戶的建設網站方案
請立即點擊咨詢我們或撥打咨詢熱線: 021-60554347,我們會詳細為你一一解答你心中的疑難。項目經理在線