抓取动态网页(谷歌能DOM是什么？Google不能是如何抓取JavaScript的)

　　抓取动态网页(谷歌能DOM是什么？Google不能是如何抓取JavaScript的)

　　以下是我们通过测试 Google 的抓取工具如何抓取 JavaScript 的经验。认为 Google 无法处理 JavaScript？再想一想。 Audette Audette 分享了一系列测试的结果，他和他的同事测试了 Google 和 收录 抓取了哪些类型的 JavaScript 功能。

　　长话短说

　　我们进行了一系列测试，并确认 Google 可以通过多种方式执行和 收录 JavaScript。我们还确认 Google 可以渲染整个页面并读取 DOM，从而收录动态生成内容。

　　DOM 中的 SEO 信号（页面标题、元描述、规范标签、元机器人标签等）都得到了处理。动态插入 DOM 的内容也可以被爬取和收录。此外，在某些情况下，DOM 甚至可能优先于 HTML 源语句。虽然这需要更多的工作，但这是我们已经完成的几个测试之一。

　　简介：Google 执行 JavaScript 并读取 DOM

　　自 2008 年以来，Google 一直在成功抓取 JavaScript，但可能只是以某种方式。

　　而今天，很明显，Google 不仅能够计算出它们爬取的 JavaScript 类型和 收录，而且在渲染整个网页方面也取得了重大进展（尤其是在过去 12 到 18 年）月亮）。

　　在 Merkle，我们的 SEO 技术团队希望更好地了解 Google 爬虫抓取的 Javascript 事件类型以及 收录。经过研究，我们发现了令人瞠目结舌的结果，证实 Google 不仅可以执行各种 JavaScript 事件，还可以执行 收录 动态生成的内容。怎么做？ Google 可以读取 DOM。

　　什么是 DOM？

　　许多 SEO 从业者不了解文档对象模型 (DOM) 是什么。

　　当浏览器请求页面时会发生什么，以及 DOM 如何参与。

　　在 Web 浏览器中使用时，DOM 本质上是一个应用程序接口或 API，用于标记和结构化数据（例如 HTML 和 XML）。该界面允许网络浏览器将它们组合成文档。

　　DOM 还定义了如何获取和操作结构。虽然 DOM 是一种独立于语言的 API（不依赖于特定的编程语言或库），但它通常用于 JavaScript 和 Web 应用程序中的动态内容。

　　DOM 表示将网页连接到编程语言的接口或“桥梁”。解析 HTML 和执行 JavaScript 的结果就是 DOM。网页的内容不是（不仅是）源代码，它是 DOM。这使得它非常重要。

　　JavaScript 如何通过 DOM 接口工作。

　　我们很高兴地发现 Google 可以读取 DOM 并解析信号并动态插入内容，例如标题标签、页面文本、头部标签和元注释（例如 rel=canonical）。在此处阅读完整的详细信息。

　　这一系列的测试和结果

　　因为我们想知道会抓取哪些 JavaScript 功能并且收录，我们仅在 Google Crawl 上创建了一系列测试。确保通过创建控件独立理解 URL 活动。下面，让我们详细分解一些有趣的测试结果。它们分为 5 类：

　　JavaScript 重定向 JavaScript 链接 动态插入内容 动态插入元数据和页面元素 rel = “nofollow”的重要示例

　　示例：测试 Google 爬虫理解 JavaScript 能力的页面。

　　JavaScript 重定向

　　我们首先测试了常见的 JavaScript 重定向，如果 URL 以不同的方式表示，结果会是什么？我们为两个测试选择了 window.location 对象：测试 A 使用绝对 URL 调用 window.location，而测试 B 使用相对路径。

　　结果：重定向很快被 Google 跟踪。从 收录 的角度来看，它们被解释为 301 - 最终状态 URL 替换了 Google 收录 中的重定向 URL。

　　在随后的测试中，我们使用权威页面上完全相同的内容执行 JavaScript 重定向到同一站点上的新页面。而原创网址是谷歌热搜的首页。

　　结果：果然，重定向被谷歌跟踪，而原创页面不是收录。而新的 URL 是 收录 并立即在同一个查询页面中排名相同的位置。这让我们感到惊讶，因为从排名的角度来看，它似乎表明 JavaScript 重定向的行为（有时）很像永久 301 重定向。

　　下次您的客户想要为他们的 网站 完成 JavaScript 重定向移动时，您可能不需要回答，或者回答：“请不要”。因为这似乎有转移排名信号的关系。支持这一结论的是对 Google 指南的参考：

　　使用 JavaScript 重定向用户可能是一种合法的做法。例如，如果您将登录用户重定向到内部页面，您可以使用 JavaScript 执行此操作。在检查 JavaScript 或其他重定向方法时，请确保您的网站遵循我们的指南并考虑其意图。请记住，最好将 301 重定向到您的 网站，但如果您无权访问您的 网站 服务器，则可以为此使用 JavaScript 重定向。

　　JavaScript 链接

　　我们用各种编码测试了不同类型的 JS 链接。

　　我们测试下拉菜单的链接。搜索引擎历来无法跟踪此类链接。我们想确定是否会跟踪 onchange 事件处理程序。重要的是，这只是我们需要的特定执行类型：其他更改的效果，而不是上面 JavaScript 重定向的强制操作。

　　示例：Google Work 页面的语言选择下拉菜单。

　　结果：链接被完全抓取和关注。

　　我们还测试了常见的 JavaScript 链接。以下是最常见的 JavaScript 链接类型，而传统的 SEO 建议使用纯文本。这些测试包括 JavaScript 链接代码：

　　作用于外部 href 键值对 (AVP)，但在标签内部 ("onClick") 作用于 href 内部 AVP ("javascript:window.location") 作用于标签外部，但在 href (" javascript : openlink()") 等

　　结果：链接被完全抓取和关注。

　　我们的下一个测试是进一步测试事件处理程序，例如上面的 onchange 测试。具体来说，我们希望利用事件处理程序来进行鼠标移动，然后隐藏 URL 变量，该变量仅在事件处理程序（本例中为 onmousedown 和 onmouseout）被触发时执行。

　　结果：链接被完全抓取和关注。

　　构建链接：我们知道 Google 可以执行 JavaScript，但希望确保他们可以读取代码中的变量。所以在这个测试中，我们连接可以构造 URL 字符串的字符。

　　结果：链接被完全抓取和关注。

　　动态插入内容

　　显然，这些是要点：文本、图像、链接和导航的动态插入。高质量的文本内容对于搜索引擎理解网页主题和内容至关重要。在这个充满活力的网站时代，它的重要性不容质疑。

　　这些测试旨在检查在两种不同场景中动态插入文本的结果。

　　测试搜索引擎是否可以计算页面 HTML 源代码中动态插入的文本。

　　测试搜索引擎是否可以计算来自页面 HTML 源外部（在外部 JavaScript 文件中）的动态插入文本。

　　结果：在这两种情况下，文本都被抓取并 收录，页面根据该内容进行排名。酷！

　　为了了解更多信息，我们测试了一个用 JavaScript 编写的客户端全局导航，其中收录通过 document.writeIn 函数插入的链接，并确定它们已被完全抓取和跟踪。需要注意的是：Google 可以解释使用 AngularJS 框架和 HTML5 History API (pushState) 构建的 网站，可以渲染和 收录，并像传统的静态网页一样对其进行排名。这就是为什么不禁止 Google 的爬虫获取外部文件和 JavaScript 很重要，这可能也是 Google 将其从支持 Ajax 的 SEO 指南中删除的原因。当您可以简单地呈现整个页面时，谁需要 HTML 快照？

　　经过测试，发现无论内容类型如何，结果都是一样的。例如，图像被抓取并将 收录 加载到 DOM 中。我们甚至做了一个测试，通过动态生成结构化数据并将其插入到 DOM 中来制作面包屑。结果呢？成功插入的面包屑出现在搜索结果（搜索引擎结果页面）中。

　　值得注意的是，Google 现在建议对结构化数据使用 JSON-LD 标记。相信以后还会有更多基于此的。

　　元数据和页面元素的动态插入

　　我们将各种 SEO 关键标签动态插入 DOM：

　　标题元素元描述元机器人规范标签

　　结果：在所有情况下，标签都被提取并表现得像 HTML 源代码中的元素。

　　一个有趣的补充实验可以帮助我们理解优先级。当有相互冲突的信号时，哪一个获胜？如果源代码中有 noindex、nofollow 标签，而 DOM 中有 noindex、follow 标签，会发生什么？在此协议中，HTTP x-robots 响应标头作为另一个变量的行为如何？这将是未来综合测试的一部分。但是，我们的测试表明，当发生冲突时，Google 会忽略源代码中的标签，转而使用 DOM。

　　rel="nofollow" 的一个重要例子

　　我们想测试 Google 如何处理出现在源代码和 DOM 中的链接级别的 nofollow 属性。因此，我们创建了一个未应用 nofollow 的控件。

　　对于nofollow，我们分别测试源代码和DOM生成的注解。

　　源代码中的nofollow 可以按预期工作（未遵循链接）。并且 DOM 中的 nofollow 不起作用（链接被跟踪，页面为 收录）。为什么？因为修改 DOM 中的 href 元素为时已晚：在执行添加 rel=”nofollow” 的 JavaScript 函数之前，Google 已准备好抓取链接并排队等待 URL。但是，如果将带有 href="nofollow" 的 a 元素插入 DOM，nofollow 和链接将被跟踪，因为它们是同时插入的。

　　结果

　　从历史上看，各种 SEO 建议都是尽可能关注“纯文本”内容。动态生成的内容、AJAX 和 JavaScript 链接可能会损害主要搜索引擎的 SEO。显然，这对谷歌来说不再是问题。 JavaScript 链接的行为类似于普通的 HTML 链接（这只是表面，我们不知道幕后发生了什么）。

　　JavaScript 重定向被视为 301 重定向。无论是在 HTML 源代码中，还是在解析初始 HTML 后触发 JavaScript 生成 DOM，动态插入的内容，甚至是 rel 规范注释等元标记都被视为相同。 Google 似乎能够完全呈现页面并理解 DOM，而不仅仅是源代码。太不可思议了！ （请记住允许 Google 的爬虫获取那些外部文件和 JavaScript。）Google 已经在创新，以惊人的速度将其他搜索引擎甩在后面。我们希望在其他搜索引擎中看到同样类型的创新。如果他们要在 Web 的新时代保持竞争力并取得实质性进展，那就意味着更好地支持 HTML5、JavaScript 和动态网站。

　　对于搜索引擎优化，对以上基本概念和谷歌技术不了解的人，应该好好研究和学习，以赶上当前的技术。如果你不考虑 DOM，你可能会失去一半的份额。