照片
本文大纲:
1、爬虫是什么?反爬虫又是什么?
2、爬虫有那些归类?
3、爬中流程与搜索引擎工作流程
4、http/https协议与状态码
5、robots协议
爬虫是什么?反爬虫又是什么?
这儿的爬虫不是咱们生活中的爬虫,如蜘蛛。这儿的爬虫更加多指的是网络爬虫,即咱们叫它网页蜘蛛或网络设备人。当然,在seo里,叫网页蜘蛛更加多。
网络爬虫,是一种根据必定规则,自动地抓取互联网上的信息的一种程序。他有一个英文名叫spider,例如百度网页蜘蛛就叫baiduspider,那搜狗的就叫Sogou spider。
这亦是咱们SEO人员做网站优化排名会听说的一个词。网站为啥没收录呢?原来蜘蛛没来抓取!怎样看这个爬虫蜘蛛朋友来没来呢,让技术把网站日志下载给咱们,咱们就能够判断了,你说算不算好伴侣?
百度爬虫是什么?Baiduspider是啥?
Baiduspider是百度搜索引擎的一个自动程序,它的功效是拜访互联网上的网页,创立索引数据库,运用户能在百度搜索引擎中搜索到网站上的网页。百度还有那些蜘蛛呢?如下图。最大都是圈中这个,记得哈~
照片
反爬虫是什么?
咱们以门户网站举例,企业网站亦同理哈。门户网站经过相应的策略和技术手段,防止爬虫程序进行网站数据的爬取,这就叫反爬虫。
当然,其实还有反反爬虫,即爬虫程序经过相应的策略和技术手段,破解了门户网站的反爬虫手段,从而爬取到相应的数据,这就叫反反爬虫。
再白话举例:你要来采集我的内容(爬虫),我不给你采并且我做防采集(反爬虫)。你呢,又搞了更高技术把我防采集攻破了采集(反反爬虫),这般理解了吧?
爬虫有那些归类?
爬虫总共就分两类:通用爬虫与聚焦爬虫。
通用爬虫:简单说便是尽可能的把网上的所有的网页下载下来,放到服务器里再对这些网页做关联处理,最后给用户搜索用,一般指的搜索引擎爬虫。例如:谷歌爬虫、百度爬虫、搜狗爬虫、360爬虫等。
聚焦爬虫:它是按照指定的需要抓取网络上指定网站的数据。例如:获取知乎问答上的某一问题的浏览量和回答人数,而不是获取全部页面中所有数据。它亦能够理解叫特定爬虫。
上面说到的反爬虫与反反爬虫,基本上都是在反这种聚焦爬虫哈,你亦能够理解为爬虫攻防战哈哈哈。
爬中流程与搜索引擎工作流程
爬虫通常工作流程:确定某个URL——发送请求——响应内容——提取数据——保留数据。
搜索引擎蜘蛛工作流程:爬取网页——存储数据——数据预处理——供给用户搜索网页排名。
是不是感觉难理解?发送请求是什么,响应内容又是什么?这个往下看HTTP协议与状态看完你就懂了。
关于搜索引擎数据预处理在处理什么,怎么理解?看公众号白杨SEO两年前写过这篇《白杨SEO:大白话告诉你理解搜索引擎工作原理的道理和运用》,看完你就懂了。
http/https协议与状态码
HTTP协议指的是Hyper Text Transfer Protocol(超文本传输协议)的缩写,是用于从万维网 WWW(World Wide Web缩写)服务器传输超文本到本地浏览器的传送协议。默认端口号:80。
而HTTPS (Secure Hypertext Transfer Protocol)安全超文本传输协议指的是HTTPS是在HTTP上创立SSL加密层,并对传输数据进行加密,是HTTP协议的安全版。默认端口号:443。
你是不是理解不了这个HTTP到底什么东东?简单白话来讲这个便是用来传输和接收页面的,保准你的电脑能快速传输文本文档并且让你看到哈。
至于HTTP的请求头,响应头,都是各样代码,白杨SEO就不在这儿写了,倘若你要真的想认识,自己去搜索,这儿只讲一下咱们SEO中会看到的HTTP请求响应状态码,通常状态码如下:
照片
上面只要是2或3开头都是好的,例如查白杨SEO博客的:
照片
照片
输入http://www.baiyangseo.com返回是301,而输入 https://www.baiyangseo.com 返回的是200正常的你晓得为何吗?
其实,这在SEO里来讲,是由于两个区别URL内容是一模同样,为了让搜索引擎避免认为作坏处,因此做了301永久重定向。简单理解,你用不带s的HTTP那个域名打开便是这个带的了哈。
关于这个状态码,倘若你想学习认识更深入一点,一样能够白杨SEO公众号上这篇:《白杨SEO:SEO入门学习之搜索引擎蜘蛛与网站HTTP状态码》
robots协议
最后,来到针对搜索引擎网页蜘蛛robots协议了。这个倘若你是学SEO的,肯定要学的。
robots协议是什么?简单理解便是网站经过Robots协议告诉搜索引擎,网站上那些页面能够抓取,哪些页面不可抓取!然则,它仅仅是互联网中的一种约定罢了。因此有些人说我明明禁止XXX蜘蛛还是被抓取了哈哈哈。
它长啥样?到底有什么用?
照片
长啥样,如上图,功效便是上面说的,在SEO里便是告诉蜘蛛来爬我这儿,通常每一个站都会做这个,由于蜘蛛首要要爬取一个页面这个地区是最先爬取的,亦会反复爬取。
不要问我为啥要给蜘蛛爬取,你做一个网站目的是啥,不便是要让蜘蛛爬取而后用户搜索的时候看到你带来流量吗?当然,你说我做网站只是用来存储我自己看除外哈哈哈。
作者简介:
白杨SEO,专注SEO科研十年,SEO、流量实战派,对互联网精细流量有深入科研。
|