百度官方首次披露搜索引擎抓取系统概述

　　百度官方首次披露搜索引擎抓取系统概述，这无疑广大站长朋友们，SEO从业人员的一大喜讯；今年来百度站长平台不断的公布与SEO相关的重要信息，百度此举的核心因素在不断的完善搜索引擎算法，同时也披露相关重要的信息指引广大站长朋友们如何做SEO；同时也让广大企业认真的重示起SEO来，SEO不在是像你之前所了解的那样，不是随随便便就可以把关键词做上去的......基于这些SEO的发展方向必然是整站优化，为用户提供有价值的信息，要能够满足用户的需求，只有这样的网站SEO才能够长青。拓宽动力之前发布过《搜索引擎工作的四个基本工作流程》以下是百度官方披露搜索引擎抓取系统概述：

　　Spider抓取系统是搜索引擎数据来源的重要保证，如果把web理解为一个有向图，那么spider的工作过程可以认为是对这个有向图的遍历。从一些重要的种子 URL开始，通过页面上的超链接关系，不断的发现新URL并抓取，尽最大可能抓取到更多的有价值网页。对于类似百度这样的大型spider系统，因为每时 每刻都存在网页被修改、删除或出现新的超链接的可能，因此，还要对spider过去抓取过的页面保持更新，维护一个URL库和页面库。

　　1、spider抓取系统的基本框架

　　如下为spider抓取系统的基本框架图，其中包括链接存储系统、链接选取系统、dns解析服务系统、抓取调度系统、网页分析系统、链接提取系统、链接分析系统、网页存储系统。

 

　　2、spider抓取过程中涉及的网络协议

　　搜索引擎与资源提供者之间存在相互依赖的关系，其中搜索引擎需要站长为其提供资源，否则搜索引擎就无法满足用户检索需求；而站长需要通过搜索引擎将自己的 内容推广出去获取更多的受众。spider抓取系统直接涉及互联网资源提供者的利益，为了使搜素引擎与站长能够达到双赢，在抓取过程中双方必须遵守一定的 规范，以便于双方的数据处理及对接。这种过程中遵守的规范也就是日常中我们所说的一些网络协议。以下简单列举：

　　http协议：超文本传输协议，是互联网上应用最为广泛的一种网络协议，客户端和服务器端请求和应答的标准。客户端一般情况是指终端用户，服务器端即指网 站。终端用户通过浏览器、蜘蛛等向服务器指定端口发送http请求。发送http请求会返回对应的httpheader信息，可以看到包括是否成功、服务 器类型、网页最近更新时间等内容。

　　https协议：实际是加密版http，一种更加安全的数据传输协议。

　　UA属性：UA即user-agent，是http协议中的一个属性，代表了终端的身份，向服务器端表明我是谁来干嘛，进而服务器端可以根据不同的身份来做出不同的反馈结果。

　　robots协议：robots.txt是搜索引擎访问一个网站时要访问的第一个文件，用以来确定哪些是被允许抓取的哪些是被禁止抓取的。 robots.txt必须放在网站根目录下，且文件名要小写。详细的robots.txt写法可参考 http://www.robotstxt.org 。百度严格按照robots协议执行，另外，同样支持网页内容中添加的名为robots的meta标 签，index、follow、nofollow等指令。

　　3、spider抓取的基本过程

　　spider的基本抓取过程可以理解为如下的流程图：