严格来说搜索引擎Spider是不会“爬”的

Posted 2021-04-29 孔生SEO

 

一、Spider并不会”爬”

 

Spider抓取一个网页后会优先把网页中的URL提取出来，同时记录和计算URL的形式、位置、锚文本、当前页所赋予的权值等信息，然后把这些URL合并到抓取列表中，并根据URL所附有的总权值等信息进行抓取队列内排序。

 Spider就是根据这个不断变化顺序的URL队列来抓取网页内容的，而并不是从一个页面沿着链接爬到另一个页面抓取。因此严格来说 Spider是不会“爬”的，站长在网站日志中也可以看到 Spider对网站的访问并没有 refer，都是直接以往一般会把 Spider抓取网页的过程形象地描述为搜索引擎放出 Spider，然后这个 Spider访问。

 

以往一般会把Spider抓取网页的过程形象地描述为搜索引擎放出Spider，然后这个Spider就沿着链接不断地抓取网页，这只是一种形象的比喻而已。比如以前描述类似万年历的“蜘蛛陷阱”时，会有这样的描述“蜘蛛进入到蜘蛛陷阱后会一层一层地无限抓取下去”“蜘蛛进去就出不来了”“把蜘蛛永远留在站内了”，这类描述给大家传达的意思都是 Spider沿着链接从一个网页到另一个网页的爬行过程。

其实按照实际的 Spider设计，“蜘蛛陷阱”并不是把 Spider留在了站内“出不去了”，而是如果不加控制的话， Spider会在“蜘蛛陷阱”的网页集合中收集到无数无意义的URL并放入抓取队列中，这些URL对应的网页并没有实际有意义的内容，从而会造成 Spider抓取资源的浪费。

所谓的“把蜘蛛强制留在站内”对应实际的 Spider抓取机制，应该是如果 Spider不加限制地收集URL，就需要无限制地抓取“蜘蛛陷阱”内的URL，然而“蜘蛛陷阱”内的URL可能是无限的，并不是“一个蜘蛛掉陷阱里出不来了”。

 

也就是说，Spider对网页的抓取是单次访问抓取，每访问一个页面都会把页面上的信息抓取回来，而不是把一个“小蜘蛛”派到网站上，然后沿着网站的链接爬行抓取大量的页面之后再返回给服务器。

>>>往期的Spider知识解答

1、

2、