百度spider對常用返回碼的處理邏輯

百度spider對常用返回碼的處理邏輯

百度spider對常用的http返回碼的處理邏輯：1、404404返回碼的含義是“NOTFOUND”，百度會認為網(wǎng)頁已經(jīng)失效，那么通常會從搜索結(jié)果中刪除，并且短期內(nèi)spider再次發(fā)現(xiàn)這條url也不會抓取。2、503503返回碼的含義是“ServiceUnavailable”，百度會認為該網(wǎng)頁臨時不可訪問，通常網(wǎng)站臨時關(guān)閉，帶寬有限等會產(chǎn)生這種情況。對于網(wǎng)頁返回503，百度spider不會把這條url直接刪除，短期內(nèi)會再訪問。屆時如果網(wǎng)頁已恢復(fù)，則正常抓??；如果繼續(xù)返回503，短期內(nèi)還會反復(fù)訪問幾次。但是如果網(wǎng)頁長期返回503，那么這個url仍會被百度認為是失效鏈接，從搜索結(jié)果中刪除。3、403403返回碼的含義是“Forbidden”，百度會認為網(wǎng)頁當前禁止訪問。對于這種情況，如果是新發(fā)現(xiàn)的url，百度spider暫不會抓取，短期內(nèi)會再次檢查；如果是百度已收錄url，當前也不會直接刪除，短期內(nèi)同樣會再訪問。屆時如果網(wǎng)頁允許訪問，則正常抓??；如果仍不允許訪問，短期內(nèi)還會反復(fù)訪問幾次。但是如果網(wǎng)頁長期返回403，百度也會認為是失效鏈接，從搜索結(jié)果中刪除。4、301301返回碼的含義是“MovedPermanently”，百度會認為網(wǎng)頁當前跳轉(zhuǎn)至新url。當遇到站點遷移，域名更換、站點改版的情況時，推薦使用301返回碼，盡量減少改版帶來的流量損失。雖然百度spider現(xiàn)在對301跳轉(zhuǎn)的響應(yīng)周期較長，但我們還是推薦大家這么做。百度對于某些常見情況的使用建議：1、如果站點臨時關(guān)閉，當網(wǎng)頁不能打開時，不要立即返回404，建議使用503狀態(tài)。503可以告知百度spider該頁面臨時不可訪問，請過段時間再重試。2、如果百度spider對您的站點抓取壓力過大，請盡量不要使用404，同樣建議返回503。這樣百度spider會過段時間再來嘗試抓取這個鏈接，如果那個時間站點空閑，那它就會被成功抓取了。3、有一些網(wǎng)站希望百度只收錄部分內(nèi)容，例如審核后的內(nèi)容，累積一段時間的新用戶頁等等。在這種情況，建議新發(fā)內(nèi)容暫時返回403，等審核或做好處理之后，再返回正常狀態(tài)的返回碼。4、站點遷移，或域名更換時，請使用301返回碼。案例：我曾經(jīng)為一家電子商務(wù)網(wǎng)站提供SEO顧問服務(wù)，網(wǎng)站每日新增商品由商家發(fā)布，商品發(fā)布后便成為一個有效的商品，并會出現(xiàn)到網(wǎng)站平臺的商品檢索結(jié)果以及商品列表中，同時，平臺運營方需要對商品進行審核，對于沒有審核通過的商品則進行刪除操作；于是，會出現(xiàn)一些情況：新增商品頁面被百度爬蟲抓取，但隨之該頁面被刪除。由于網(wǎng)站在百度的權(quán)重比較高，幾乎每日新增商品頁都會很快收錄，因此，在這批新收錄的商品頁面中有一定比例的頁面很快不存在了，即：一批剛被收錄的頁面又向百度Spider返回了404狀態(tài)碼，簡單以蔽之，“讓百度收了再讓百度刪”，我覺得百度可能會“很生氣，后果很嚴重”。為解決這個問題，我之前采取了如下方法：既然將商家發(fā)布的商品包含兩種狀態(tài)：已審核和未審核，那么就為商品頁面設(shè)計2種URL規(guī)則，如果商品未審核，則使用第1套URL規(guī)則，同時，利用robots協(xié)議限制百度Spider爬蟲抓取這些頁面；如果商品已審核，那么就與已有商品一樣，使用第2套URL規(guī)則。這樣就可以確保百度Spider抓取到的商品頁面都是有效頁面，不會由于商品審核不通過而單日內(nèi)出現(xiàn)大量404頁面。是否可以利用403狀態(tài)碼來解決該問題？思路如下：判斷商品是否通過平臺運營方審核，是的話，頁面就返回200，否的話，就返回403；對于正常的商品頁面，可以確保百度Spider正常抓??；對于新增商品，百度新發(fā)現(xiàn)的URL是返回403的，當再次回訪這些頁面時，由于