您当前的位置: 首页 > 养生

百度爬虫在进行抓取和处理时是根据htt

2018-11-02 12:36:23

百度爬虫在进行抓取和处理时,是根据http协议规范来设置相应的逻辑的置。

百度spider对常用的http返回码的处理逻辑是这样的:

1、404

404返回码的含义是NOT FOUND,百度会认为页已经失效,那么通常会从搜索结果中删除,并且短期内spider再次发现这条url也不会抓取。

2、503

503返回码的含义是Service Unavailable,百度会认为该页临时不可访问,通常站临时关闭,带宽有限等会产生这种情况。对于页返回503,百度spider不会把这条url直接删除,短期内会再访问。届时如果页已恢复,则正常抓取;如果继续返回503,短期内还会反复访问几次。但是如果页长期返回503,那么这个url仍会被百度认为是失效链接,从搜索结果中删除。

3、403

403返回码的含义是Forbidden,百度会认为页当前禁止访问。对于这种情况,如果是新发现的url,百度spider暂不会抓取,短期内会再次检查;如果是百度已收录url,当前也不会直接删除,短期内同样会再访问。届时如果页允许访问,则正常抓取;如果仍不允许访问,短期内还会反复访问几次。但是如果页长期返回403,百度也会认为是失效链接,从搜索结果中删除。

4、301

301返回码的含义是Moved Permanently,百度会认为页当前跳转至新url。当遇到站点迁移,域名更换、站点改版的情况时,推荐使用301返回码,尽量减少改版带来的流量损失。虽然百度spider现在对301跳转的响应周期较长,但我们还是推荐大家这么做。

我们的建议

1、如果站点临时关闭,当页不能打开时,不要立即返回404,建议使用503状态。503可以告知百度spider该页面临时不可访问,请过段时间再重试。

2、如果百度spider对您的站点抓取压力过大,请尽量不要使用404,同样建议返回503。这样百度spider会过段时间再来尝试抓取这个链接,如果那个时间站点空闲,那它就会被成功抓取了。

3、有一些站希望百度只收录部分内容,例如审核后的内容,累积一段时间的新用户页等等。在这种情况,建议新发内容暂时返回403,等审核或做好处理之后,再返回正常状态的返回码。

4、站点迁移,或域名更换时,请使用301返回码。

文章整理者:北京seo,文章地址:转载保留此链接。

注:相关站建设技巧阅读请移步到建站教程频道。

群发短信
长方形香炉厂家
固定升降机
推荐阅读
图文聚焦