百度网页关键字抓取(什么是百度蜘蛛是怎么实现网页收录的工作过程)

　　百度网页关键字抓取(什么是百度蜘蛛是怎么实现网页收录的工作过程)

　　搜索引擎的工作过程非常复杂。今天给大家分享一下我所知道的百度蜘蛛实现网页收录。

　　搜索引擎的工作大致可以分为四个过程。

　　1、蜘蛛爬行。

　　2、信息过滤。

　　3、创建网页索引关键词。

　　4、用户搜索输出结果。

　　蜘蛛爬行爬行

　　当百度蜘蛛来到一个页面时，它会跟随页面上的链接，从这个页面爬到下一个页面，就像一个递归的过程，这不仅是多年的累人工作。例如，当蜘蛛来到我的博客主页时，它会首先读取根目录下的 robots.txt 文件。如果没有禁止搜索引擎抓取，蜘蛛就会开始对网页上的链接进行一一跟踪和抓取。比如我上面的文章“SEO概述|什么是SEO，SEO是做什么的”，引擎会多进程到这个文章所在的页面去爬取信息，等等上，没有尽头。

　　信息过滤

　　为了避免重复爬取和爬取网址，搜索引擎会对已爬取和未爬取的地址进行记录。如果你有新的网站，可以去百度官网提交网站的URL，引擎会记录下来，归类为未爬取的URL，然后蜘蛛会使用这张表从数据库中提取 URL，访问并爬取页面。

　　蜘蛛不会收录所有页面，它是严格检查的。蜘蛛在爬取网页内容时，会进行一定程度的重复内容检测。如果网页所在的 网站 权重较低，并且大部分 文章 是抄袭的，那么蜘蛛很可能不喜欢你的 网站，不要保留爬行，不要收录你的网站。

　　创建网页的 关键词 索引

　　当蜘蛛爬取页面时，它首先分析页面的文本内容。通过分词技术，将网页内容简化为关键词，将关键词和对应的URL做成表格进行索引。

　　该指数有正向指数和反向指数。正向索引是网页内容对应的关键词，反向索引是关键词对应的网页信息。

　　输出结果

　　当用户搜索某个关键词时，会通过之前建立的索引表进行关键词匹配，通过反向索引表找到关键词对应的页面，对网页进行综合评分通过引擎计算后，根据网页的得分确定网页的排名。