当前位置:首页 >  站长 >  搜索优化 >  正文

爬虫有哪些分类?白话说说SEO好朋友爬虫

 2022-04-02 17:59  来源: A5专栏   我来投稿 撤稿纠错

  域名预订/竞价,好“米”不错过

本文大纲:

1、爬虫是什么?反爬虫又是什么?

2、爬虫有哪些分类?

3、爬中流程与搜索引擎工作流程

4、http/https协议与状态码

5、robots协议

爬虫是什么?反爬虫又是什么?

这里的爬虫不是我们生活中的爬虫,如蜘蛛。这里的爬虫更多指的是网络爬虫,即我们叫它网页蜘蛛或网络机器人。当然,在SEO里,叫网页蜘蛛更多。

网络爬虫,是一种按照一定规则,自动地抓取互联网上的信息的一种程序。他有一个英文名叫spider,比如百度网页蜘蛛就叫baiduspider,那搜狗的就叫Sogou spider。

这也是我们SEO人员做网站优化排名会听说的一个词。网站为啥没收录呢?原来蜘蛛没来抓取!如何看这个爬虫蜘蛛朋友来没来呢,让技术把网站日志下载给我们,我们就可以判断了,你说算不算好朋友?

百度爬虫是什么?Baiduspider是啥?

Baiduspider是百度搜索引擎的一个自动程序,它的作用是访问互联网上的网页,建立索引数据库,使用户能在百度搜索引擎中搜索到网站上的网页。百度还有哪些蜘蛛呢?如下图。最多是圈中这个,记得哈~

图片

反爬虫是什么?

我们以门户网站举例,企业网站也同理哈。门户网站通过相应的策略和技术手段,防止爬虫程序进行网站数据的爬取,这就叫反爬虫。

当然,其实还有反反爬虫,即爬虫程序通过相应的策略和技术手段,破解了门户网站的反爬虫手段,从而爬取到相应的数据,这就叫反反爬虫。

再白话举例:你要来采集我的内容(爬虫),我不给你采并且我做防采集(反爬虫)。你呢,又搞了更高技术把我防采集攻破了采集(反反爬虫),这样理解了吧?

爬虫有哪些分类?

爬虫总共就分两类:通用爬虫与聚焦爬虫。

通用爬虫:简单说就是尽可能的把网上的所有的网页下载下来,放到服务器里再对这些网页做相关处理,最后给用户搜索用,通常指的搜索引擎爬虫。比如:谷歌爬虫、百度爬虫、搜狗爬虫、360爬虫等。

聚焦爬虫:它是根据指定的需求抓取网络上指定网站的数据。比如:获取知乎问答上的某一问题的浏览量和回答人数,而不是获取整个页面中所有数据。它也可以理解叫特定爬虫。

上面提到的反爬虫与反反爬虫,基本上都是在反这种聚焦爬虫哈,你也可以理解为爬虫攻防战哈哈哈。

爬中流程与搜索引擎工作流程

爬虫一般工作流程:确定某个URL——发送请求——响应内容——提取数据——保存数据。

搜索引擎蜘蛛工作流程:爬取网页——存储数据——数据预处理——提供用户搜索网页排名。

是不是感觉难理解?发送请求是什么,响应内容又是什么?这个往下看HTTP协议与状态看完你就懂了。

关于搜索引擎数据预处理在处理什么,怎么理解?看公众号白杨SEO两年前写过这篇《白杨SEO:大白话告诉你理解搜索引擎工作原理的意义和运用》,看完你就懂了。

http/https协议与状态码

HTTP协议是指Hyper Text Transfer Protocol(超文本传输协议)的缩写,是用于从万维网 WWW(World Wide Web缩写)服务器传输超文本到本地浏览器的传送协议。默认端口号:80。

而HTTPS (Secure Hypertext Transfer Protocol)安全超文本传输协议指的是HTTPS是在HTTP上建立SSL加密层,并对传输数据进行加密,是HTTP协议的安全版。默认端口号:443。

你是不是理解不了这个HTTP到底什么东东?简单白话来说这个就是用来传输和接收页面的,保证你的电脑能快速传输文本文档并且让你看到哈。

至于HTTP的请求头,响应头,都是各种代码,白杨SEO就不在这里写了,如果你要真的想了解,自己去搜索,这里只讲一下我们SEO中会看到的HTTP请求响应状态码,一般状态码如下:

图片

上面只要是2或者3开头都是好的,比如查白杨SEO博客的:

图片

图片

输入http://www.baiyangseo.com返回是301,而输入https://www.baiyangseo.com 返回的是200正常的你知道为什么吗?

其实,这在SEO里来说,是因为两个不同URL内容是一模一样,为了让搜索引擎避免认为作弊,所以做了301永久重定向。简单理解,你用不带s的HTTP那个域名打开就是这个带的了哈。

关于这个状态码,如果你想学习了解更深入一点,同样可以白杨SEO公众号上这篇:《白杨SEO:SEO入门学习之搜索引擎蜘蛛与网站HTTP状态码》

robots协议

最后,来到针对搜索引擎网页蜘蛛robots协议了。这个如果你是学SEO的,肯定要学的。

robots协议是什么?简单理解就是网站通过Robots协议告诉搜索引擎,网站上哪些页面可以抓取,那些页面不能抓取!但是,它仅仅是互联网中的一种约定而已。所以有些人说我明明禁止XXX蜘蛛还是被抓取了哈哈哈。

它长啥样?到底有什么用?

图片

长啥样,如上图,作用就是上面说的,在SEO里就是告诉蜘蛛来爬我这里,一般每个站都会做这个,因为蜘蛛首先要爬取一个页面这个地方是最先爬取的,也会反复爬取。

不要问我为啥要给蜘蛛爬取,你做一个网站目的是啥,不就是要让蜘蛛爬取然后用户搜索的时候看到你带来流量吗?当然,你说我做网站只是用来存储我自己看除外哈哈哈。

作者简介:

白杨SEO,专注SEO研究十年,SEO、流量实战派,对互联网精准流量有深入研究。个人微信:baiyang2047

申请创业报道,分享创业好点子。点击此处,共同探讨创业新机遇!

相关标签
百度爬虫

相关文章

  • 浅谈百度爬虫的HTTP状态码返回机制

    HTTP状态码我们都很熟悉,SEO工作中我们也需要迎合百度蜘蛛对常见的HTTP返回码来做相关调整,下面我们就来浅谈百度爬虫的HTTP状态码返回机制

  • 百度爬虫是什么

    百度爬虫是一种网络机器人,它可以根据一定的规则,在各个网站爬行,对访问过的网页、图片、视频等内容进行收集整理,分类建立数据库,呈现在搜索引擎上,让用户通过搜索某些关键字,就可以看到企业网站的网页、图片、视频等。

    标签:
    百度爬虫
  • 百度蜘蛛爬虫的工作原理

    百度是中国目前的第一大搜索引擎,拥有完善的一套爬虫算法,了解百度蜘蛛的爬虫原理,对我们SEO优化工作有着举足轻重的作用。我们可以从下面这张图片来详细了解百度蜘蛛爬取网页的一整套流程和体系

  • 影响百度爬虫对网站抓取量的因素

    影响百度爬虫对网站抓取量的因素有哪些?

    标签:
    爬虫
    百度爬虫
  • 哪些网站优化的细节会影响百度爬虫的抓取

    大多站长都知道百度爬虫的重要性,一般你的网页参与排名要分四个步骤,分别是抓取、收录、索引、展现,其中抓取是我们站长做SEO网站优化的第一步,那么问题来了,济南SEO培训告诉你站长做SEO的哪些操作会影响到济南seo网站优化百度蜘蛛的抓取呢哪些网站优化的细节会影响百度爬虫的抓取看看你的IP上有没有大站

    标签:
    百度爬虫

信息推荐