作为一名合格的SEOER,我们接触的是网站,接触的是搜索引擎,既然如此,那么我们就必须对搜索引擎有一定的了解,只有这样才能做出效果。严格来说搜索引擎是通过一种“爬虫(蜘蛛)”这样的计算机程序来抓取我们网页上面的信息的,总体来讲,搜索引擎爬虫的工作原理一共分为抓取、过滤、收录索引、排序四大环节,下面我们一起来看一下。
1、种子URL
所谓种子URL所指的就是最开始选定的URL地址,大多数情况下,网站的首页、频道页等丰富性内容更多的页面会被作为种子URL;
然后将这些种子URL放入到待抓取的URL列表中;
2、待抓取URL列表
爬虫从待抓取的URL列表中逐个进行读取,读取URL的过程中,会将URL通过DNS解析,把这个URL地址转换成网站服务器的IP地址+相对路径的方式;
3、网页下载器
接下来把这个地址交给网页下载器(所谓网页下载器,顾名思义就是负责下载网页内容的一个模块;
4、源代码
对于下载到本地的网页,也就是我们网页的源代码,一方面要将这个网页存储到网页库中,另一方面会从下载网页中再次提取URL地址。
5、抽取URL
新提取出来的URL地址会先在已抓取的URL列表中进行比对,检查一下这个网页是不是被抓取了。
6、新URL存入待抓取队列
如果网页没有被抓取,就将新的URL地址放入到待抓取的URL列表的末尾,等待被抓取。
就这样循环的工作着,直到待抓取队列为空的时候,爬虫就算完成了抓取的全过程。
然后以下载的网页,就都会进入到一定的分析中,分析后进行索引,我们就能看到收录结果了。
对于真正的爬虫来说,先抓哪些页面、后抓哪些页面,以及不抓哪些页面等等都是有一定的策略的,这里讲述的是一个比较通过、普遍的爬虫抓取流程,身为SEO的我们,知道这些足以。
本文来自投稿,不代表重蔚自留地立场,如若转载,请注明出处https://www.cwhello.com/82088.html
如有侵犯您的合法权益请发邮件951076433@qq.com联系删除