分析百度蜘蛛抓取频次数量暴增与不收录网站页面的原因

Spider对网站抓取数量突增往往给站点带来很大烦恼,纷纷找平台想要BaiduspiderIP白名单,但实际上BaiduSpiderIP会随时变化,所以并不敢公布出来,担心站长设置不及时影响抓取效果。百度是怎么计算分配抓取频次数量的呢?站点抓取频次数量暴增的原因有哪些呢?

总体来说,Baiduspider会根据站点规模、历史上网站每天新产出的链接数量、已抓取网页的综合质量打分等等,来综合计算抓取频次数量,同时兼顾站长在抓取频次工具里设置的、网站可承受的抓取值。

从目前追查过的抓取频次数量突增的case中,原因可以分为以下几种:

1、Baiduspider发现站内JS代码较多,调用大量资源针对JS代码进行解析抓取

2、百度其他部门(如商业、图片等)的spider在抓取,但频次数量没有控制好,sorry

3、已抓取的链接,打分不够好,垃圾过多,导致spider重新抓取

4、站点被攻击,有人仿冒百度爬虫

如果站长排除了自身问题、仿冒问题,确认BaiduSpider抓取频次数量过大的话,可以通过反馈中心来反馈,切记一定要提供详细的抓取日志截图。

百度不收录页面的原因分析

目前百度spider抓取新链接的途径有两个,一是主动出击发现抓取,二就是从百度站长平台的链接提交工具中获取数据,其中通过主动推送功能“收”上来的数据受百度spider的欢迎。对于站长来说,如果链接很长时间不被收录,建议尝试使用主动推送功能,尤其是新网站,主动推送首页数据,有利于内页数据的抓取。

那么同学们要问了,为什么我提交了数据还是迟迟在线上看不到展现呢?那涉及的因素可就多了,在spider抓取这个环节,影响线上展现的因素有:

1、网站封禁:你别笑,真的有同学一边封禁着百度蜘蛛,一边向百度狂交数据,结果当然是无法收录。

2、质量筛选:百度蜘蛛spider3.0对低质内容的识别上了一个新台阶,尤其是时效性内容,从抓取这个环节就开始进行质量评估筛选,过滤掉大量过度优化等页面,从内部定期数据评估看,低质网页比之前下降62%。

3、抓取失败:抓取失败的原因很多,有时你在办公室访问完全没有问题,百度spider却遇到麻烦,站点要随时注意在不同时间地点保证网站的稳定性。

4、配额限制:虽然我们正在逐步放开主动推送的抓取配额,但如果站点页面数量突然爆发式增长,还是会影响到高质链接的抓取收录,所以站点在保证访问稳定外,也要关注网站安全,防止被黑注入。