主頁 > 知識庫 > 驚現(xiàn)索引擎如何索引收錄網(wǎng)頁的方法

驚現(xiàn)索引擎如何索引收錄網(wǎng)頁的方法

highdiy 發(fā)表在五月 9, 2007
對SEO(搜索引擎優(yōu)化)而言，讓網(wǎng)站內(nèi)的頁面能夠及時、全面地被搜索引擎索引、收錄應(yīng)該說是首要的任務(wù)，這是實施其他SEO策略的最基本保證?！贿^，這也是往往易被高估的一個環(huán)節(jié)，比如說我們時?？梢钥吹侥承┤诵Q自己的網(wǎng)站被Google收錄了多少頁面如幾K甚至幾十K等以證明SEO工作的成功。但客觀地說，網(wǎng)頁僅僅被搜索引擎索引、收錄是沒有太大的實際意義，往往只能淪為浩如煙海的Internet世界中的殉葬品，更重要的是如何讓網(wǎng)頁出現(xiàn)在針對特定搜索項的SERP(搜索結(jié)果頁面)前幾頁?！S多人相信，讓網(wǎng)站內(nèi)盡可能多的頁面被收錄進搜索引擎索引數(shù)據(jù)庫終歸不是一件壞事，網(wǎng)頁越多，暴光的機會也便越大，雖然最終效果如何存在疑問。
Anyway，如果在對網(wǎng)站實施SEO時將重點放在網(wǎng)頁被索引、收錄的速度與效率，當然也無可厚非，而要想實現(xiàn)這一點，需要我們對搜索引擎如何收錄、索引網(wǎng)頁的機制有所了解。下面我們以Google為例，介紹搜索引擎收錄、索引網(wǎng)頁的過程，希望能對朋友們有后助益?！獙ζ渌阉饕嫒鏨ahoo!、Live搜索及百度而言，盡管可能在具體細節(jié)上存在差別，不過，基本策略應(yīng)該是類似的。
1、收集待索引網(wǎng)頁的url
Internet上存在的網(wǎng)頁數(shù)量絕對是個天文數(shù)字，每天新增的網(wǎng)頁也不計其數(shù)，搜索引擎需要首先找到要索引收錄的對象。
具體到Google而言，雖然對GoogleBot是否存在DeepBot與FreshBot的區(qū)別存在爭議——至于是否叫這么兩個名字更是眾說紛耘，當然，名字本身并不重要——至少到目前為止，主流的看法是，在Google的robots中，的確存在著相當部分專門為真正的索引收錄頁頁準備“素材”的robots——在這里我們姑且仍稱之為FreshBot吧——它們的任務(wù)便是每天不停地掃描Internet，以發(fā)現(xiàn)并維護一個龐大的url列表供DeepBot使用，換言之，當其訪問、讀取其一個網(wǎng)頁時，目的并不在于索引這個網(wǎng)頁，而是找出這個網(wǎng)頁中的所有鏈接?！斎唬@樣似乎在效率上存在矛盾，有點不太可信。不過，我們可以簡單地通過以下方式判斷：FreshBot在掃描網(wǎng)頁時不具備“排它性”，也即是說，位于Google不同的數(shù)據(jù)中心的多個robots可能在某個很短的時間周期，比如說一天甚至一小時，訪問同一個頁面，而DeepBot在索引、緩存頁面時則不會出現(xiàn)類似的情況，即Google會限制由某個數(shù)據(jù)中心的robots來完成這項工作的，而不會出現(xiàn)兩個數(shù)據(jù)中心同時索引網(wǎng)頁同一個版本的情況，如果這種說法沒有破綻的話，則似乎可以從服務(wù)器訪問日志中時?？梢钥吹皆醋圆煌琁P的GoogleBot在很短的時間內(nèi)多次訪問同一個網(wǎng)頁證明FreshBot的存在。因此，有時候發(fā)現(xiàn)GoogleBot頻繁訪問網(wǎng)站也不要高興得太早，也許其根本不是在索引網(wǎng)頁而只是在掃描url。
FreshBot記錄的信息包括網(wǎng)頁的url、Time Stamp(網(wǎng)頁創(chuàng)建或更新的時間戳)，以及網(wǎng)頁的Head信息(注：這一點存在爭議，也有不少人相信FreshBot不會去讀取目標網(wǎng)頁信息的，而是將這部分工作交由DeepBot完成。不過，筆者傾向于前一種說法，因為在FreshBot向DeepBot提交的url列表中，會將網(wǎng)站設(shè)置禁止索引、收錄的頁面排除在外，以提高效率，而網(wǎng)站進行此類設(shè)置時除使用robots.txt外還有相當部分是通過mata標簽中的“noindex”實現(xiàn)的，不讀取目標網(wǎng)頁的head似乎是無法實現(xiàn)這一點的)，如果網(wǎng)頁不可訪問，比如說網(wǎng)絡(luò)中斷或服務(wù)器故障，F(xiàn)reshBot則會記下該url并擇機重試，但在該url可訪問之前，不會將其加入向DeepBot提交的url列表。
總的來說，F(xiàn)reshBot對服務(wù)器帶寬、資源的占用還是比較小的。最后，F(xiàn)reshBot對記錄信息按不同的優(yōu)先級進行分類，向DeepBot提交，根據(jù)優(yōu)先級不同，主要有以下幾種：
A：新建網(wǎng)頁；
B：舊網(wǎng)頁/新的Time Stamp，即存在更新的網(wǎng)頁；
C：使用301/302重定向的網(wǎng)頁；
D：復(fù)雜的動態(tài)url，如使用多個參數(shù)的動態(tài)url，Google可能需要附加的工作才能正確分析其內(nèi)容。——隨著Google對動態(tài)網(wǎng)頁支持能力的提高，這一分類可能已經(jīng)取消；
E：其他類型的文件，如指向PDF、DOC文件的鏈接，對這些文件的索引，也可能需要附加的工作；
F：舊網(wǎng)頁/舊的Time Stamp，即未更新的網(wǎng)頁，注意，這里的時間戳不是以Google搜索結(jié)果中顯示的日期為準，而是與Google索引數(shù)據(jù)庫中的日期比對；
G：錯誤的url，即訪問時返回404回應(yīng)的頁面；
優(yōu)先級按由A至G的順序排列，依次降低。需要強調(diào)的是，這里所言之優(yōu)先級是相對的，比如說同樣是新建網(wǎng)頁，根據(jù)指向其的鏈接質(zhì)量、數(shù)量的不同，優(yōu)先級也有著很大的區(qū)別，具有源自相關(guān)的權(quán)威網(wǎng)站鏈接的網(wǎng)頁具有較高的優(yōu)先級。此外，這里所指的優(yōu)先級僅針對同一網(wǎng)站內(nèi)部的頁面，事實上，不同網(wǎng)站也有有著不同的優(yōu)先級，換言之，對權(quán)威網(wǎng)站中的網(wǎng)頁而言，即使其最低優(yōu)先級的404 url，也可能比許多其他網(wǎng)站優(yōu)先級最高的新建網(wǎng)頁更具優(yōu)勢。
2、網(wǎng)頁的索引與收錄
接下來才進入真正的索引與收錄網(wǎng)頁過程。從上面的介紹可以看出，F(xiàn)reshBot提交的url列表是相當龐大的，根據(jù)語言、網(wǎng)站位置等不同，對特定網(wǎng)站的索引工作將分配至不同的數(shù)據(jù)中心完成。整個索引過程，由于龐大的數(shù)據(jù)量，可能需要幾周甚至更長時間才能完成。
正如上文所言，DeepBot會首先索引優(yōu)先級較高的網(wǎng)站/網(wǎng)頁，優(yōu)先級越高，出現(xiàn)在Google索引數(shù)據(jù)庫及至最終出現(xiàn)在Google搜索結(jié)果頁面中的速度便越快。對新建網(wǎng)頁而言，只要進入到這個階段，即使整個索引過程沒有完成，相應(yīng)的網(wǎng)頁便已具備出現(xiàn)在Google索引庫中的可能，相信許多朋友在Google中使用“site:somedomain.com”搜索時常?？吹綐俗檠a充結(jié)果只顯示網(wǎng)頁url或只顯示網(wǎng)頁標題與url但沒有描述的頁面，此即是處于這一階段網(wǎng)頁的正常結(jié)果。當Google真正讀取、分析、緩存了這個頁面后，其便會從補充結(jié)果中逃出而顯示正常的信息?！斎唬疤崾窃摼W(wǎng)頁具有足夠的鏈接，特別是來自權(quán)威網(wǎng)站的鏈接，并且，索引庫中沒有與該網(wǎng)頁內(nèi)容相同或近似的記錄(Duplicate Content過濾)。
對動態(tài)url而言，雖然如今Google宣稱在對其處理方面已不存在障礙，不過，可以觀察到的事實仍然顯示動態(tài)url出現(xiàn)在補充結(jié)果中的幾率遠大于使用靜態(tài)url的網(wǎng)頁，往往需要更多、更有價值的鏈接才能從補充結(jié)果中逸出。
而對于上文中之“F”類，即未更新的網(wǎng)頁，DeepBot會將其時間戳與Google索引數(shù)據(jù)庫中的日期比對，確認盡管可能搜索結(jié)果中相應(yīng)頁面信息未來得及更新但只要索引了最新版本即可——考慮網(wǎng)頁多次更新、修改的情況——；至于“G”類即404 url，則會查找索引庫中是否存在相應(yīng)的記錄，如果有，將其刪除。
3、數(shù)據(jù)中心間的同步
前文我們提到過，DeepBot索引某個網(wǎng)頁時會由特定的數(shù)據(jù)中心完成，而不會出現(xiàn)多個數(shù)據(jù)中心同時讀取該網(wǎng)頁，分別獲得網(wǎng)頁最近版本的情況，這樣，在索引過程完成后，便需要一個數(shù)據(jù)同步過程，將網(wǎng)頁的最新版本在多個數(shù)據(jù)中心得到更新。
這就是之前著名的Google Dance。不過，在BigDaddy更新后，數(shù)據(jù)中心間的同步不再象那樣集中在特定的時間段，而是以一種連續(xù)的、時效性更強的方式進行。盡管不同數(shù)據(jù)中心間仍存在一定的差異，但差異已經(jīng)不大，而且，維持的時間也很短。
提高搜索引擎索引收錄網(wǎng)頁的效率，根據(jù)上面的介紹，可以看出，要想讓您的網(wǎng)頁盡可能快、盡可能多地被搜索引擎收錄，至少應(yīng)從如下幾方面進行優(yōu)化：
提高網(wǎng)站反相鏈接的數(shù)量與質(zhì)量，源自權(quán)威網(wǎng)站的鏈接可以讓您的網(wǎng)站/網(wǎng)頁在第一時間內(nèi)被搜索引擎“看到”。當然，這也是老生常談了。從上面的介紹可以看出，要提高網(wǎng)頁被搜索引擎收錄的效率，首先要讓搜索引擎找到您的網(wǎng)頁，鏈接是搜索引擎找到網(wǎng)頁的唯一途徑——“唯一”一詞存在些許爭議，見下面的SiteMaps部分——從這個角度看，向搜索引擎提交網(wǎng)站之類的作法沒有必要且沒有意義，相對而言，要想讓您的網(wǎng)站被收錄，獲得外部網(wǎng)站的鏈接才是根本，同時，高質(zhì)量的鏈接也是讓網(wǎng)頁步出補充結(jié)果的關(guān)鍵因素。
網(wǎng)頁設(shè)計要秉持“搜索引擎友好”的原則，從搜索引擎spider的視角設(shè)計與優(yōu)化網(wǎng)頁，確保網(wǎng)站的內(nèi)部鏈接對搜索引擎“可見”，相對于獲得外部網(wǎng)站鏈接的難度，合理規(guī)劃的內(nèi)部鏈接是提高搜索引擎索引與收錄效率更經(jīng)濟、有效的途徑——除非網(wǎng)站根本未被搜索引擎收錄。
如果您的網(wǎng)站使用動態(tài)url，或者導(dǎo)航菜單使用JavaScript，那么，當在網(wǎng)頁收錄方面遇到障礙時，應(yīng)首先從這里著手。
使用SiteMaps。事實上，許多人認為Google取消了FreshBot的一個主要原因便是SiteMaps(xml)協(xié)議的廣泛應(yīng)用，認為這樣只需讀取網(wǎng)站提供的SiteMaps便可得到網(wǎng)頁更新信息，而不需FreshBot耗時費力地掃描。這種說法還是有一定道理的，雖然目前不能確定Google究竟直接使用SiteMaps作為DeepBot的索引列表還是用做FreshBot的掃描路標，但SiteMaps能夠提高網(wǎng)站索引收錄的效率則是不爭的事實。比如說，SEO探索曾做過如下的測試：
兩個網(wǎng)頁，獲得的鏈接情況相同，一個加入SiteMaps而另一未加入，出現(xiàn)在SiteMaps中的網(wǎng)頁很快被收錄，而另一個頁面則在過了很長時間后才被收錄；
某個孤島頁面，沒有任何指向其的鏈接，但將其加入SiteMaps一段時間后，同樣被Google索引，只不過，出現(xiàn)在補充結(jié)果中。
當然，從盡管網(wǎng)頁未出現(xiàn)在SiteMaps中但仍能被Google索引也可以看出，Google仍然使用FreshBot或類似FreshBot的機制，當然這也容易理解，畢竟仍然有那么多未使用SiteMaps的網(wǎng)站，Google不可能將其拒之門外。
有關(guān)SiteMaps的詳細介紹，請參考Google SiteMaps:Google的“后門”。需要指出的是，如今Sitemaps協(xié)議已成為行業(yè)標準，不獨對Google有效，其他主流搜索引擎包括Yahoo!、Live搜索及Ask均已提供支持。
聲明：本文中的信息部分來自公開文獻，部分純屬個人揣測，可能有謬誤之處，請您姑妄聽之。
作者:
highdiy
原載: 點石互動
搜索引擎優(yōu)化
博客
版權(quán)聲明：本文已經(jīng)獲得作者授權(quán)發(fā)布，轉(zhuǎn)載請保留本版權(quán)信息，嚴禁一切非法復(fù)制。

標簽：通遼懷化黃山山南煙臺湖北賀州湘潭

巨人網(wǎng)絡(luò)通訊聲明：本文標題《驚現(xiàn)索引擎如何索引收錄網(wǎng)頁的方法》，本文關(guān)鍵詞；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題，煩請?zhí)峁┫嚓P(guān)信息告之我們，我們將及時溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無關(guān)。

佳木斯湛栽影视文化发展公司

驚現(xiàn)索引擎如何索引收錄網(wǎng)頁的方法

QQ咨詢

電話咨詢