眾所周知，一個(gè)網(wǎng)站的流量能大致分成三個(gè)部分：直接訪問(wèn)（direct）、引用頁(yè)（referer）和搜索（search engine）。其實(shí)搜索那一部分也能屬于引用頁(yè)的范疇，但是它太重要了，讓我們不能不單獨(dú)拿出來(lái)作為一個(gè)獨(dú)立的分析模塊?？傮w來(lái)說(shuō)，根據(jù)網(wǎng)站的性質(zhì)和發(fā)展，這三部分的比例會(huì)有所不同。比如說(shuō)，對(duì)于門戶網(wǎng)站來(lái)說(shuō)，直接訪問(wèn)的百分比應(yīng)該一般網(wǎng)站高，不然“門戶”一詞就失去了意義。同樣，對(duì)于一些提供服務(wù)性質(zhì)的網(wǎng)站，搜索部分就應(yīng)該高一點(diǎn)，因?yàn)楫?dāng)用戶需要尋找某項(xiàng)服務(wù)的時(shí)候，第一站往往是百度或谷歌。對(duì)于這三部分的流量，會(huì)有不同的策略和方法去提高自己網(wǎng)站的訪問(wèn)量。在本文中，筆者側(cè)重于搜索引擎。

下面就讓我們來(lái)介紹一下今天的主角——爬蟲（crawler）。爬蟲是搜索引擎獲取網(wǎng)絡(luò)資源的重要途徑。通過(guò)網(wǎng)絡(luò)爬蟲，搜索引擎可以有機(jī)的獲取當(dāng)前互聯(lián)網(wǎng)上最新的網(wǎng)頁(yè)，為接下來(lái)分析關(guān)鍵詞,排序等等提供素材。既然爬蟲如此的重要，那么我們就應(yīng)該針對(duì)爬蟲給他提供一些適合他的“食物”（筆者在此不想提過(guò)多的技術(shù)分析，比如說(shuō)廣度優(yōu)先，深度優(yōu)先，內(nèi)容相關(guān)，網(wǎng)頁(yè)重要性等等，那些是留給各個(gè)研發(fā)人員去關(guān)心的事情，在這里筆者只想描述些概念性的觀點(diǎn)，適合大家理解討論）。但是在這里有個(gè)非常重要的概念就是爬蟲是很有禮貌的，它不會(huì)不告而訪。它會(huì)在自己的“user agent”聲稱“我是某某搜索引擎的爬蟲”。這就為我們提用一個(gè)很好的機(jī)會(huì)，因?yàn)闄C(jī)器畢竟和人不一樣，要達(dá)到人類最好的視覺(jué)效果可能會(huì)對(duì)搜索引擎對(duì)頁(yè)面的分析不利，反之亦然。通過(guò)探測(cè)爬蟲的方法，可以把一個(gè)完全只適合給機(jī)器看的頁(yè)面交給爬蟲但是一點(diǎn)也不影響到自己真正用戶的用戶體驗(yàn)。而且，隨著時(shí)間的發(fā)展，爬蟲開始變的越來(lái)越聰明，有些爬蟲比如說(shuō)google,已經(jīng)可以理解頁(yè)面本身中的javascript(但不是包括<script type=”text/javascript” src=”XXX”>這樣外部的javascript),這樣如果你不想讓爬蟲去某個(gè)鏈接的話完全可以把它寫進(jìn)javascript中。至于說(shuō)html里面的各個(gè)標(biāo)簽應(yīng)該怎么寫對(duì)搜索引擎有益，互聯(lián)網(wǎng)上已經(jīng)有很多文章闡述了，本文就不贅述了。

爬蟲還有一個(gè)重要但是很無(wú)奈的特點(diǎn)就是爬蟲的資源是有限的。特別是對(duì)于一些規(guī)模較小的搜索引擎，他們會(huì)設(shè)計(jì)自己的一套算法來(lái)決定是否要讓爬蟲訪問(wèn)某個(gè)頁(yè)面。如果這個(gè)頁(yè)面不夠“重要”（由各個(gè)引擎自己定義），而且資源也不夠的情況下，這個(gè)頁(yè)面就會(huì)被忽略。我們不妨來(lái)做個(gè)實(shí)驗(yàn)，去百度的網(wǎng)站輸入“site: cn.alexa.com”，會(huì)顯示有“約694,000篇”，再去sogou的網(wǎng)頁(yè)嘗試，你會(huì)看見“找到 6 個(gè)網(wǎng)頁(yè)”。這也給各位希望做搜索引擎優(yōu)化的諸位提個(gè)警鐘，不要太在意這個(gè)時(shí)候在（小規(guī)模搜索引擎的）結(jié)果。如果資金允許的話，在這個(gè)時(shí)候在小規(guī)模引擎上買些關(guān)鍵詞的效果會(huì)來(lái)的更好。
本文章由南寧網(wǎng)站建設(shè)、南寧網(wǎng)站優(yōu)化、南寧網(wǎng)絡(luò)公司整理，轉(zhuǎn)載請(qǐng)注明出處：http://www.hjnf.com.cn/