什么是搜索蜘蛛?
搜索引擎“蜘蛛”指的是网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取信息的程序或者脚本。
基于目标网页特征的爬虫所抓取、存储并索引的对象一般为网站或网页。根据种子样本获取方式可分为：
（1） 预先给定的初始抓取种子样本；
（2） 预先给定的网页分类目录和与分类目录对应的种子样本，如Yahoo!分类结构等；
（3） 通过用户行为确定的抓取目标样例，分为：
(a) 用户浏览过程中显示标注的抓取样本；
(b) 通过用户日志挖掘得到访问模式及相关样本。
其中，网页特征可以是网页的内容特征，也可以是网页的链接结构特征等等。
百度蜘蛛是什么，常见百度爬虫有那些问题
简单理解，百度蜘蛛又名百度爬虫，主要的工作职能是抓取互联网上现有的URL，并对页面质量进行评估，给出基础性的判断。
通常百度蜘蛛抓取规则是：
种子URL-待抓取页面-提取URL-过滤重复URL-解析网页链接特征-进入链接总库-等待提取。
1、如何识别百度蜘蛛
快速识别百度蜘蛛的方式有两种：
① 网站a href=网址蜘蛛日志分析，可以通过识别百度蜘蛛UA，来判断蜘蛛来访记录，相对便捷的方式是利用a href=网址SEO软件/a去自动识别。关于百度UA的识别，你也可以查看官方文档：a href=网址
② CMS程序插件，自动嵌入识别百度爬虫，当蜘蛛来访的时候，它会记录相关访问轨迹。
2、百度蜘蛛收录网站规则有那些?
并不是每一个网站的蜘蛛来爬寻抓取就会被收录的，这样就会形成一个搜索引擎主要流程，这个流程主要分为，抓取、筛选、对比、索引最后就是释放，也技术展现出来的页面。
抓取：爬虫是根据网站URL连接来爬寻的，它的主要目的是抓取网站上所以文字连接，一层一层有规则的爬寻。
筛选：当抓取完成后，筛选这个步骤主要是筛选出垃圾文章，比如翻译、近义词替换、伪原创文章等，搜索引擎都能够识别出来，而是通过这一步骤识别。
对比：对比主要是实行百度的星火计划，保持文章的原创度。通常情况下，经过对比的步骤的时候，搜索引擎会对你站点进行下载，一来对比，二来创建快照，所以搜索引擎蜘蛛已经访问你的网站，所以网站日志中会有百度的IP。
索引：通过确定你网站没有问题的时候，才会对你网站创建索引，如果创建索引了，这也说明你的站点被收录了，有时候我们在百度搜索还是不出来，可能原因是还没有被释放出来，需要等待。
3、关于百度爬虫一些常见问题：
① 如何提高百度抓取频率，抓取频率暴涨是什么原因
早期，由于收录相对困难，大家非常重视百度抓取频率，但随着百度战略方向的调整，从目前来看，我们并不需要刻意追求抓取频率的提升，当然影响抓取频次的因素主要包括：网站速度、安全性、内容质量、社会影响力等内容。
如果你发现站点抓取频率突然暴涨，可能是因为：存在链接陷阱，蜘蛛不能很好抓取页面，或者内容质量过低，需要从新抓取，也可能是网站不稳定，遭遇负面SEO攻击。
② 如何判断，百度蜘蛛是否正常抓取
很多站长新站上线，总是所发布的文章不收录，于是担心百度爬虫是否可以正常抓取，这里官方提供两个简单的工具：
百度抓取诊断：
百度Robots.txt检测：
你可以根据这两个页面，检测网页的连通性，以及是否屏蔽了百度蜘蛛抓取。
③ 百度爬虫持续抓取，为什么百度快照不更新
快照长时间不更新并没有代表任何问题，你只需要关注是否网站流量突然下降，如果各方面指标都正常，蜘蛛频繁来访，只能代表你的页面质量较高，外部链接非常理想。
④ 网站防止侵权，禁止右键，百度蜘蛛是否可以识别内容
如果你在查看网页源代码的时候，可以很好的看到页面内容，理论上百度蜘蛛就是可以正常抓取页面的，这个你同样可以利用百度抓取诊断去解析一下看看。
⑤ 百度蜘蛛，真的有降权蜘蛛吗？
早期，很多SEO人员喜欢分析百度蜘蛛IP段，实际上官方已经明确表示，并没有说明哪些蜘蛛的爬行代表降权，所以这个问题不攻自破。
⑥屏蔽百度蜘蛛,还会收录吗？
常规来说屏蔽百度蜘蛛是没办法收录，虽然会收录首页，但是内页却不能收录的，就好比“淘宝”基本上都是屏蔽了百度蜘蛛，只有首页但是依然排名很好。
总结：很多市面上就会出现一个蜘蛛池这样的字眼呈现，这是一种并不好的一种变现的方式，搜外seo并不建议大家使用，上述仅供大家参考。
百度搜索“蜘蛛磁力搜索”，怎么老是打不开啊，他们的地址是多少
这个暂时没什么好的法解决，网上所说的洗白也不行，建议用 旋风，找个会员离线到旋风空间，然后极速下载。类似于迅雷的会员离线（只不过迅雷现在也用不了了），旋风是目前最好用的，只需要一个有会员的 号，随便借一个号登录离线下载即可
几个主流搜索引擎蜘蛛的名称
1.Google蜘蛛名称
1）Googlebot：从Google的网站索引和新闻索引中抓取网页
2）Googlebot-Mobile针对Google的移动索引抓取网页
3）Googlebot-Image：针对Google的图片索引抓取网页
4）Mediapartners-Google：抓取网页确定AdSense的内容。只有在你的网站上展示AdSense广告的情况下，Google才会使用此漫游器来抓取您的网站。
5）Adsbot-Google：抓取网页来衡量AdWords目标网页的质量。只有在你使用GoogleAdWords为你的网站做广告的情况下，Google才会使用此漫游器。
2.百度蜘蛛名称：
Baiduspider首字母B大写，其余为小写
3.雅虎（Yahoo!）蜘蛛名称：
1）Yahoo!搜索蜘蛛名称：Yahoo!Slurp.
2）Yahoo!搜索引擎广告蜘蛛：Yahoo!-AdCrawler.用来抓取Yahoo!搜索引擎广告登陆页网页
4.有道蜘蛛名称：
YodaoBot
5.腾讯搜搜soso蜘蛛名称：
Sosospider首字母S大写，其余为小写
6.搜狗（sogou）蜘蛛名称：
sogouspider
7.Live蜘蛛名称
1）MSNBot：Mainwebcrawler（）
2）MSNBot-Media：Imagesallothermedia（images.live.com）
3）MSNBot-NewsBlogs：Newsandblogs（search.live.com/news）
4）MSNBot-Products：Productsshopping（products.live.com）
5）MSNBot-Academic：Academicsearch（academic.live.com）
拓展阅读：搜索引擎蜘蛛抓取网页规则分析
一、爬虫框架
我们可以将网页当作是蜘蛛的晚餐，晚餐包括：
已下载的网页。已经被蜘蛛抓取到的网页内容，放在肚子里了。
已过期网页。蜘蛛每次抓取的网页很多，有一些已经坏在肚子里了。
待下载网页。看到了食物，蜘蛛就要去抓取它。
可知网页。还没被下载和发现，但蜘蛛能够感觉到他们，早晚会去抓取它。
不可知网页。互联网太大，很多页面蜘蛛无法发现，可能永远也找不到，这部份占比很高。
通过以上划分，我们可以很清楚的理解搜索引擎蜘蛛的工作及面临的挑战。大多数蜘蛛是按照这样的框架去爬行。但也不完全一定，凡事总有特殊，根据职能的'不同，蜘蛛系统存在一些差异。
二、爬虫类型
1、批量型蜘蛛。
这类蜘蛛有明确的抓取范围和目标，当蜘蛛完成目标和任务后就停止抓取。具体目标是什么?可能是抓取网页数量，网页大小，抓取时间等。
2、增量型蜘蛛
这类蜘蛛和批量型蜘蛛不同，他们会持续不断的抓取，对于抓取到的网页会定期抓取更新。因为互联网中的网页是随时处于更新状态中，增量型蜘蛛需要能够反映出这种更新。
3、垂直性蜘蛛
这种蜘蛛只关注特定主题或者特定的行业网页。以健康网站为例子，这类专门的蜘蛛会只抓取健康相关主题，其它主题内容的网页则不抓取。考验这只蜘蛛的难点是如何去更精准的识别内容所属于行业。目前来看，很多垂直类行业网站是需要这种蜘蛛去抓取的。
三、抓取策略
蜘蛛通过种子URL进行爬行拓展，列出大量待抓取URL。但是待抓取URL数量庞大，蜘蛛如何确定抓取顺序先后呢?蜘蛛抓取的策略有很多种，但最终目的是一个：优先抓取重要的网页。评价页面是否重要，蜘蛛会根据页面内容原创程度，链接权重分析等众多方式来进行计算。比较有代表性的抓取策略如下：
1、宽度优先策略
宽度优先是指：蜘蛛在抓取一个网页后，继续将该网页所包含的其它页面按顺序进行进一步抓取。这种思想看似简单，其实却很实用。因为大多数网页都是按优先级进行排序，重要的页面会优先在页面上进行推荐。
2、PageRank策略
PageRank是一种非常著名的链接分析方法，主要是用来衡量网页权重。如谷歌的PR，就是典型的PageRank算法。通过PageRank算法我们可以找出哪些页面是更重要的，然后蜘蛛优先去抓取这些重要性的页面。
3、大站优先策略
这个很容易理解，大网站通常拥有更多的`内容页面，并且质量也会更高。蜘蛛会先分析网站归类与属性。如果这个网站已经收录很多，或者在搜索引擎系统中权重很高，则优先考虑收录。
四、网页更新
互联网中的页面大多会保持更新，这样就要求蜘蛛所存储的页面也能及时更新，保持一致性。打个比喻：一个网页之前排名很好，如果页面已经被删，却还有排名，那体验就很不好。因此搜索引擎需要随时了解这些并更新页面，将最新的页面提供给用户。常用的网页更新策略在三种：历史参考策略，用户体验策略。聚类抽样策略。
1、历史参考策略
这是建立在一种假设基础上的更新策略。比如，若你的网页之前按规律一直更新，那搜索引擎也认为你的页面将来也会经常更新，蜘蛛也会按这个规律定期来网站进行抓取网页。这也是为什么点水一直强调网站内容需要有规律更新的原因。
2、用户体验策略
一般来说，用户只会查看搜索结果前三页的内容，后面的页面很少有人去看。用户体验策略就是搜索引擎根据用户的这个特点来进行更新。例如，一个网页可能发布时间较早，一段时间没更新，但是用户依然觉得有用，点击浏览它，那么搜索引擎先不去更新这些过时的网页也是可以的。这就是为什么搜索结果中，并不一定最新的页面排名一定靠前的原因。排名更多的是取决于这个页面的质量，而完全不是更新时间先后。
3、聚类抽样策略
上两种更新策略主要是参考了网页的历史信息。但存储大量历史信息对搜索引擎来说是一种负担，另外如果收录的是新网页则是没有历史信息可以参考的，那怎么办?聚类抽样策略是指：根据网页所展现出来的一些属性，来将很多相似网页进行归类，被归类的页面按照相同的规律去进行更新。
从了解搜索引擎蜘蛛工作原理的过程中，我们会知道：网站内容之间的相关性，网站与网页内容更新规律，网页上链接分布以及网站权重高低等因素都会影响到蜘蛛的抓取效率。知已知彼，让蜘蛛来得更猛烈些吧！
相关文章
