爬蟲及爬行方式.爬蟲有很多名字，比如web機器人、spider等，它是一種可以在無需人類干預(yù)的情況下自動進行一系列web事務(wù)處理的軟件程序。web爬蟲是一種機器人，它們會遞歸地對各種信息性的web站點進行遍歷，獲取第一個web頁面，然后獲取那個頁面指向的所有的web頁面，依次類推。因特網(wǎng)搜索引擎使用爬蟲在web上游蕩，并把他們碰到的文檔全部拉回來。然后對這些文檔進行處理，形成一個可搜索的數(shù)據(jù)庫。簡單來說，網(wǎng)絡(luò)爬蟲就是搜索引擎訪問你的網(wǎng)站進而收錄你的網(wǎng)站的一種內(nèi)容采集工具。例如：百度的網(wǎng)絡(luò)爬蟲就叫做BaiduSpider。

　　搜索引擎的爬蟲工作原理

　　網(wǎng)絡(luò) 爬蟲 網(wǎng)頁內(nèi)容庫 索引程序 索引庫 搜索引擎 用戶

　　爬蟲程序需要注意的地方

　　鏈接提取以及相對鏈接的標準化

　　爬蟲在web上移動的時候會不停的對HTML頁面進行解析，它要對所解析的每個頁面上的URL鏈接進行分析，并將這些鏈接添加到需要爬行的頁面列表中去。關(guān)于具體的方案我們可以查閱這篇文章

　　避免環(huán)路的出現(xiàn)

　　web爬蟲在web上爬行時，要特別小心不要陷入循環(huán)之中，至少有以下三個原因，環(huán)路對爬蟲來說是有害的。

　　他們會使爬蟲可能陷入可能會將其困住的循環(huán)之中。爬蟲不停的兜圈子，把所有時間都耗費在不停獲取相同的頁面上。

　　爬蟲不斷獲取相同的頁面的同時，服務(wù)器段也在遭受著打擊，它可能會被擊垮，阻止所有真實用戶訪問這個站點。

　　爬蟲本身變的毫無用處，返回數(shù)百份完全相同的頁面的因特網(wǎng)搜索引擎就是這樣的例子。

　　同時，聯(lián)系上一個問題，由于URL“別名”的存在，即使使用了正確的數(shù)據(jù)結(jié)構(gòu)，有時候也很難分辨出以前是否訪問過這個頁面，如果兩個URL看起來不一樣，但實際指向的是同一資源，就稱為互為“別名”。

　　標記為不爬取

　　可以在你的網(wǎng)站中創(chuàng)建一個純文本文件robots.txt，在這個文件中聲明該網(wǎng)站中不想被蜘蛛訪問的部分，這樣，該網(wǎng)站的部分或全部內(nèi)容就可以不被搜索引擎訪問和收錄了，或者可以通過robots.txt指定搜 索引擎只收錄指定的內(nèi)容。搜索引擎爬行網(wǎng)站第一個訪問的文件就是robot.txt。同樣也可以把鏈接加上rel="nofollow"標記。

　　避免環(huán)路與循環(huán)方案

　　規(guī)范化URL

　　廣度優(yōu)先的爬行

　　以廣度優(yōu)先的方式去訪問就可以將環(huán)路的影響最小化。

　　節(jié)流

　　限制一段時間內(nèi)爬蟲可以從一個web站點獲取的頁面數(shù)量，也可以通過節(jié)流來限制重復(fù)頁面總數(shù)和對服務(wù)器訪問的總數(shù)。

　　限制URL的大小

　　如果環(huán)路使URL長度增加，長度限制就會最終終止這個環(huán)路

　　URL黑名單

　　人工監(jiān)視

　　搜索引擎優(yōu)化

　　搜索引擎優(yōu)化也叫SEO，了解了web爬蟲的工作方式于原理之后對SEO會有更好的認識，對于前端開發(fā)，需要注意的SEO有以下內(nèi)容：

　　突出重要內(nèi)容

　　合理的title、description和keywords

　　雖然現(xiàn)在搜索對這三項的權(quán)重慢慢減小，但還是希望能夠合理的寫好他們，只寫有用的東西，不要在這里寫小說，要表達重點。

　　title：只強調(diào)重點即可，重要關(guān)鍵詞出現(xiàn)不要超過2次，而且要靠前，每個頁面title要有所不同description：把網(wǎng)頁內(nèi)容高度概括到這里，長度要合理，不可過分堆砌關(guān)鍵詞，每個頁面description要有所不同，keywords：列舉出幾個重要關(guān)鍵詞即可，也不可過分堆砌。

　　語義化書寫HTML代碼，符合W3C標準

　　對于搜索引擎來說，最直接面對的就是網(wǎng)頁HTML代碼，如果代碼寫的語義化，搜索引擎就會很容易的讀懂該網(wǎng)頁要表達的意思。

　　利用布局，把重要內(nèi)容HTML代碼放在最前

　　搜索引擎抓取HTML內(nèi)容是從上到下，利用這一特點，可以讓主要代碼優(yōu)先讀取，讓爬蟲最先抓取

　　重要內(nèi)容不要用JS輸出

　　爬蟲不會讀取JS里的內(nèi)容，所以重要內(nèi)容必須放在HTML里

　　盡少使用iframe框架

　　搜索引擎不會抓取到iframe里的內(nèi)容，重要內(nèi)容不要放在框架中。

　　為圖片加上alt屬性

　　alt屬性的作用是當圖片無法顯示時以文字作為代替顯示出來，對于SEO來說，它可以令搜索引擎有機會索引你網(wǎng)站的圖片。

　　需要強調(diào)的地方可以加上title屬性

　　在進行SEO優(yōu)化時，適合將alt屬性設(shè)置為圖片本來的含義，而將 ttitle屬性為設(shè)置該屬性的元素提供建議性的信息。

　　為圖片加上長寬

　　圖片大的會排在前面一點。

　　保留文字效果

　　如果需要兼顧用戶體驗和SEO效果，在必須用圖片的地方，例如個性字體的標題，我們可以利用樣式控制，讓文本文字不會出現(xiàn)在瀏覽器上，但在網(wǎng)頁代碼中是有該標題的。

　　注意：不可使用display:none;的方法讓文字隱藏，因為搜索引擎會過濾掉display:none;里邊的內(nèi)容，就不會被蜘蛛檢索了。

　　提高網(wǎng)站速度

　　網(wǎng)站速度是搜索引擎排序的一個重要指標

　　對于指向外部網(wǎng)站的鏈接要使用rel="nofollow"屬性告訴爬蟲不要去爬其他的頁面