搜索引擎索引收錄網(wǎng)頁原理分析

搜索引擎索引收錄網(wǎng)頁原理分析

Anyway，如果在對網(wǎng)站實(shí)施SEO時(shí)將重點(diǎn)放在網(wǎng)頁被索引、收錄的速度與效率，當(dāng)然也無可厚非，而要想實(shí)現(xiàn)這一點(diǎn)，需要我們對搜索引擎如何收錄、索引網(wǎng)頁的機(jī)制有所了解。下面我們以Google為例，介紹搜索引擎收錄、索引網(wǎng)頁的過程，希望能對朋友們有后助益。——對其他搜索引擎如Yahoo!、Live搜索及百度而言，盡管可能在具體細(xì)節(jié)上存在差別，不過，基本策略應(yīng)該是類似的。1、收集待索引網(wǎng)頁的urlInternet上存在的網(wǎng)頁數(shù)量絕對是個(gè)天文數(shù)字，每天新增的網(wǎng)頁也不計(jì)其數(shù)，搜索引擎需要首先找到要索引收錄的對象。具體到Google而言，雖然對GoogleBot是否存在DeepBot與FreshBot的區(qū)別存在爭議——至于是否叫這么兩個(gè)名字更是眾說紛耘，當(dāng)然，名字本身并不重要——至少到目前為止，主流的看法是，在Google的robots中，的確存在著相當(dāng)部分專門為真正的索引收錄頁頁準(zhǔn)備“素材”的robots——在這里我們姑且仍稱之為FreshBot吧——它們的任務(wù)便是每天不停地掃描Internet，以發(fā)現(xiàn)并維護(hù)一個(gè)龐大的url列表供DeepBot使用，換言之，當(dāng)其訪問、讀取其一個(gè)網(wǎng)頁時(shí)，目的并不在于索引這個(gè)網(wǎng)頁，而是找出這個(gè)網(wǎng)頁中的所有鏈接?！?dāng)然，這樣似乎在效率上存在矛盾，有點(diǎn)不太可信。不過，我們可以簡單地通過以下方式判斷：FreshBot在掃描網(wǎng)頁時(shí)不具備“排它性”，也即是說，位于Google不同的數(shù)據(jù)中心的多個(gè)robots可能在某個(gè)很短的時(shí)間周期，比如說一天甚至一小時(shí)，訪問同一個(gè)頁面，而DeepBot在索引、緩存頁面時(shí)則不會(huì)出現(xiàn)類似的情況，即Google會(huì)限制由某個(gè)數(shù)據(jù)中心的robots來完成這項(xiàng)工作的，而不會(huì)出現(xiàn)兩個(gè)數(shù)據(jù)中心同時(shí)索引網(wǎng)頁同一個(gè)版本的情況，如果這種說法沒有破綻的話，則似乎可以從服務(wù)器訪問日志中時(shí)?？梢钥吹皆醋圆煌琁P的GoogleBot在很短的時(shí)間內(nèi)多次訪問同一個(gè)網(wǎng)頁證明FreshBot的存在。因此，有時(shí)候發(fā)現(xiàn)GoogleBot頻繁訪問網(wǎng)站也不要高興得太早，也許其根本不是在索引網(wǎng)頁而只是在掃描url。FreshBot記錄的信息包括網(wǎng)頁的url、TimeStamp(網(wǎng)頁創(chuàng)建或更新的時(shí)間戳)，以及網(wǎng)頁的Head信息(注：這一點(diǎn)存在爭議，也有不少人相信FreshBot不會(huì)去讀取目標(biāo)網(wǎng)頁信息的，而是將這部分工作交由DeepBot完成。不過，筆者傾向于前一種說法，因?yàn)樵贔reshBot向DeepBot提交的url列表中，會(huì)將網(wǎng)站設(shè)置禁止索引、收錄的頁面排除在外，以提高效率，而網(wǎng)站進(jìn)行此類設(shè)置時(shí)除使用robots.txt外還有相當(dāng)部分是通過mata標(biāo)簽中的“noindex”實(shí)現(xiàn)的，不讀取目標(biāo)網(wǎng)頁的head似乎是無法實(shí)現(xiàn)這一點(diǎn)的)，如果網(wǎng)頁不可訪問，比如說網(wǎng)絡(luò)中斷或服務(wù)器故障，F(xiàn)reshBot則會(huì)記下該url并擇機(jī)重試，但在該url可訪問之前，不會(huì)將其加入向DeepBot提交的url列表?？偟膩碚f，F(xiàn)reshBot對服務(wù)器帶寬、資源的占用還是比較小的。最后，F(xiàn)reshBot對記錄信息按不同的優(yōu)先級進(jìn)行分類，向DeepBot提交，根據(jù)優(yōu)先級不同，主要有以下幾種：A：新建網(wǎng)頁；B：舊網(wǎng)頁/新的TimeStamp，即存在更新的網(wǎng)頁；C：使用301/302重定向的網(wǎng)頁；D：復(fù)雜的動(dòng)態(tài)url，如使用多個(gè)參數(shù)的動(dòng)態(tài)url，Google可能需要附加的工作才能正確分析其內(nèi)容?！S著Google對動(dòng)態(tài)網(wǎng)頁支持能力的提高，這一分類可能已經(jīng)取消；E：其他類型的文件，如指向PDF、DOC文件的鏈接，對這些文件的索引，也可能需要附加的工作；F：舊網(wǎng)頁/舊的TimeStamp，即未更新的網(wǎng)頁，注意，這里的時(shí)間戳不是以Google搜索結(jié)果中顯示的日期為準(zhǔn)，而是與Google索引數(shù)據(jù)庫中的日期比對；G：錯(cuò)誤的url，即訪問時(shí)返回404回應(yīng)的頁面；優(yōu)先級按由A至G的順序排列，依次降低。需要強(qiáng)調(diào)的是，這里所言之優(yōu)先級是相對的，比如說同樣是新建網(wǎng)頁，根據(jù)指向其的鏈接質(zhì)量、數(shù)量的不同，優(yōu)先級也有著很大的區(qū)別，具有源自相關(guān)的權(quán)威網(wǎng)站鏈接的網(wǎng)頁具有較高的優(yōu)先級。此外，這里所指的優(yōu)先級僅針對同一網(wǎng)站內(nèi)部的頁面，事實(shí)上，不同網(wǎng)站也有有著不同的優(yōu)先級，換言之，對權(quán)威網(wǎng)站中的網(wǎng)頁而言，即使其最低優(yōu)先級的404url，也可能比許多其他網(wǎng)站優(yōu)先級最高的新建網(wǎng)頁更具優(yōu)勢。2、網(wǎng)頁的索引與收錄接下來才進(jìn)入真正的索引與收錄網(wǎng)頁過程。從上面的介紹可以看出，F(xiàn)reshBot提交的url列表是相當(dāng)龐大的，根據(jù)語言、網(wǎng)站位置等不同，對特定網(wǎng)站的索引工作將分配至不同的數(shù)據(jù)中心完成。整個(gè)索引過程，由于龐大的數(shù)據(jù)量，可能需要幾周甚至更長時(shí)間才能完成。正如上文所言，DeepBot會(huì)首先索引優(yōu)先級較高的網(wǎng)站/網(wǎng)頁，優(yōu)先級越高，出現(xiàn)在Google索引數(shù)據(jù)庫及至最終出現(xiàn)在Google搜索結(jié)果頁面中的速度便越快。對新建網(wǎng)頁而言，只要進(jìn)入到這個(gè)階段，即使整個(gè)索引過程沒有完成，相應(yīng)的網(wǎng)頁便已具備出現(xiàn)在Google索引庫中的可能，相信許多朋友在Google中使用“site:”搜索時(shí)常?？吹綐?biāo)注為補(bǔ)充結(jié)果只顯示網(wǎng)頁url或只顯示網(wǎng)頁標(biāo)題與url但沒有描述的頁面，此即是處于這一階段網(wǎng)頁的正常結(jié)果。當(dāng)Google真正讀取、分析、緩存了這個(gè)頁面后，其便會(huì)從補(bǔ)充結(jié)果中逃出而顯示正常的信息。——當(dāng)然，前提是該網(wǎng)頁具有足夠的鏈接，特別是來自權(quán)威網(wǎng)站的鏈接，并且，索引庫中沒有與該網(wǎng)頁內(nèi)容相同或近似的記錄(DuplicateContent過濾)。對動(dòng)態(tài)url而言，雖然如今Google宣稱在對其處理方面已不存在障礙，不過，可以觀察到的事實(shí)仍然顯示動(dòng)態(tài)url出現(xiàn)在補(bǔ)充結(jié)果中的幾率遠(yuǎn)大于使用靜態(tài)url的網(wǎng)頁，往往需要更多、更有價(jià)值的鏈接才能從補(bǔ)充結(jié)果中逸出。而對于上文中之“F”類，即未更新的網(wǎng)頁，DeepBot會(huì)將其時(shí)間戳與Google索引數(shù)據(jù)庫中的日期比對，確認(rèn)盡管可能搜索結(jié)果中相應(yīng)頁面信息未來得及更新但只要索引了最新版本即可——考慮網(wǎng)頁多次更新、修改的情況——；至于“G”類即404url，則會(huì)查找索引庫中是否存在相應(yīng)的記錄，如果有，將其刪除。3、數(shù)據(jù)中心間的同步前文我們提到過，DeepBot索引某個(gè)網(wǎng)頁時(shí)會(huì)由特定的數(shù)據(jù)中心完成，而不會(huì)出現(xiàn)多個(gè)數(shù)據(jù)中心同時(shí)讀取該網(wǎng)頁，分別獲得網(wǎng)頁最近版本的情況，這樣，在索引過程完成后，便需要一個(gè)數(shù)據(jù)同步過程，將網(wǎng)頁的最新版本在多個(gè)數(shù)據(jù)中心得到更新。這就是之前著名的GoogleDance。不過，在BigDaddy更新后，數(shù)據(jù)中心間的同步不再象那樣集中在特定的時(shí)間段，而是以一種連續(xù)的、時(shí)效性更強(qiáng)的方式進(jìn)行。盡管不同數(shù)據(jù)中心間仍存在一定的差異，但差異已經(jīng)不大，而且，維持的時(shí)間也很短。提高搜索引擎索引收錄網(wǎng)頁的效率，根據(jù)上面的介紹，可以看出，要想讓您的網(wǎng)頁盡可能快、盡可能多地被搜索引擎收錄，至少應(yīng)從如下幾方面進(jìn)行優(yōu)化：提高網(wǎng)站反相鏈接的數(shù)量與質(zhì)量，源自權(quán)威網(wǎng)站的鏈接可以讓您的網(wǎng)站/網(wǎng)頁在第一時(shí)間內(nèi)被搜索引擎“看到”。當(dāng)然，這也是老生常談了。從上面的介紹可以看出，要提高網(wǎng)頁被搜索引擎收錄的效率，首先要讓搜索引擎找到您的網(wǎng)頁，鏈接是搜索引擎找到網(wǎng)頁的唯一途徑——“唯一”一詞存在些許爭議，見下面的SiteMaps部分——從這個(gè)角度看，向搜索引擎提交網(wǎng)站之類的作法沒有必要且沒有意義，相對而言，要想讓您的網(wǎng)站被收錄，獲得外部網(wǎng)站的鏈接才是根本，同時(shí)，高質(zhì)量的鏈接也是讓網(wǎng)頁步出補(bǔ)充結(jié)果的關(guān)鍵因素。網(wǎng)頁設(shè)計(jì)要秉持“搜索引擎友好”的原則，從搜索引擎spider的視角設(shè)計(jì)與優(yōu)化網(wǎng)頁，確保網(wǎng)站的內(nèi)部鏈接對搜索引擎“可見”，相對于獲得外部網(wǎng)站鏈接的難度，合理規(guī)劃的內(nèi)部鏈接是提高搜索引擎索引與收錄效率更經(jīng)濟(jì)、有效的途徑——除非網(wǎng)站根本未被搜索引擎收錄。如果您的網(wǎng)站使用動(dòng)態(tài)url，或者導(dǎo)航菜單使用JavaScript，那么，當(dāng)在網(wǎng)頁收錄方面遇到障礙時(shí)，應(yīng)首先從這里著手。使用SiteMaps。事實(shí)上，許多人認(rèn)為Google取消了FreshBot的一個(gè)主要原因便是SiteMaps(xml)協(xié)議的廣泛應(yīng)用，認(rèn)為這樣只需讀取網(wǎng)站提供的SiteMaps便可得到網(wǎng)頁更新信息，而不需FreshBot耗時(shí)費(fèi)力地掃描。這種說法還是有一定道理的，雖然目前不能確定Google究竟直接使用SiteMaps作為DeepBot的索引列表還是用做FreshBot的掃描路標(biāo)，但SiteMaps能夠提高網(wǎng)站索引收錄的效率則是不爭的事實(shí)。比如說，SEO探索曾做過如下的測試：兩個(gè)網(wǎng)頁，獲得的鏈接情況相同，一個(gè)加入SiteMaps而另一未加入，出現(xiàn)在SiteMaps中的網(wǎng)頁很快被收錄，而另一個(gè)頁面則在過了很長時(shí)間后才