当前位置:主页 > SEO优化 >正文

关于SEO中的爬虫技术讲解

作者: 丈哥 分类: SEO优化 发布时间: 2019-06-19 15:09

做SEO的,如果不了解爬虫技术,那可以说非常可惜的。

根据使用场景,网络爬虫可分为 通用爬虫 和 聚焦爬虫 两种.

通俗的讲,通用爬虫就是商业搜索引擎的爬虫。聚焦爬虫就是我们为了SEO开发的爬虫。

一.通用爬虫

通用网络爬虫 是 捜索引擎抓取系统(Baidu、Google、Yahoo等)的重要组成部分。主要目的是将互联网上的网页下载到本地,形成一个互联网内容的镜像备份。

通用搜索引擎(Search Engine)工作原理

通用网络爬虫 从互联网中搜集网页,采集信息,这些网页信息用于为搜索引擎建立索引从而提供支持,它决定着整个引擎系统的内容是否丰富,信息是否即时,因此其性能的优劣直接影响着搜索引擎的效果。

第一步:抓取网页

搜索引擎网络爬虫的基本工作流程如下:

  1. 首先选取一部分的种子URL,将这些URL放入待抓取URL队列;

  2. 取出待抓取URL,解析DNS得到主机的IP,并将URL对应的网页下载下来,存储进已下载网页库中,并且将这些URL放进已抓取URL队列。

  3. 分析已抓取URL队列中的URL,分析其中的其他URL,并且将URL放入待抓取URL队列,从而进入下一个循环....

     

 

第二步:数据存储

搜索引擎通过爬虫爬取到的网页,将数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的。

搜索引擎蜘蛛在抓取页面时,也做一定的重复内容检测,一旦遇到访问权重很低的网站上有大量抄袭、采集或者复制的内容,很可能就不再爬行。

第三步:预处理

搜索引擎将爬虫抓取回来的页面,进行各种步骤的预处理。

  • 提取文字

  • 中文分词

  • 消除噪音(比如版权声明文字、导航条、广告等……)

  • 索引处理

  • 链接关系计算

  • 特殊文件处理

  • ....

除了HTML文件外,搜索引擎通常还能抓取和索引以文字为基础的多种文件类型,如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我们在搜索结果中也经常会看到这些文件类型。

第四步:提供检索服务,网站排名

搜索引擎在对信息进行组织和处理后,为用户提供关键字检索服务,将用户检索相关的信息展示给用户。

这里的排名涉及到大量的算法,各个搜索引擎会根据对内容的不同评估算法而展现不同的搜索结果。

二.开发聚焦爬虫工具

时刻牢记数据源有几个选择:

  1、移动端页面

  2、PC端页面

  3、APP

 

根据数据有否、反爬程度、维护成本、开发时间进行选择。(移动端往往更容易爬取,PC端往往数据更全)

 

Python, Python Scrapy, Seleium


本文链接地址:https://www.0471seo.com/seoyouhua/4573.html
  • 上一篇:<<丈哥SEO:怎么提高自己网站权重 ,而不会被百度K站?

  • 下一篇:SEO快速排名软件:百度seo关键词优化到首页的方法>>
  • 如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!