标题：主流搜索引擎索引收录过程公布（经Seoer天刃同意发布）[转]
出处：沧海一粟
时间：Thu, 08 May 2008 11:22:47 +0000
作者：jed
地址：http://www.dzhope.com/post/421/

内容：
这是天刃在群里针对一些朋友对蜘蛛多次检索自己的网站却一直不收录，以及自己网站日志中发现有多个蜘蛛爬自己的站的问题，做的一些详细解答。经天刃同意我把其中的内容整理后发布，呵呵，应该也算原创啊！  

搜索引擎的蜘蛛抓取页面的一般过程是这样的。  

首先，收集待索引网页的url。      

    搜索引擎的蜘蛛一般分为两类，这第一类的主要工作就是收集网页的中有效的URL。它们的任务是一刻不停地扫描Internet资源，以随时更新其搜索引擎庞大的url列表以供它的第二类蜘蛛使用。也就是说，当这一类蜘蛛访问我们网页的时候，并不在于索引我们的网页，而是在寻找网页中的所有有效链接。  

关于有的站长在自己的访问日志中发现多个蜘蛛IP爬自己站的情况。      

    我们常用的搜索引擎每天要处理数以亿计的信息，没有一个大型的搜索引擎公司（GOOGLE或百度之类）不配备上万台服务器来共同执行这个工作，因此搜索引擎都拥有不同的数据中心，也就是说有多个robots来检索你的站是很正常的事情。不过这也仅限于第一类蜘蛛，在索引页面的时候，搜索引擎会限制某个特定的数据中心来让专门索引页面的蜘蛛检索你的站。因此朋友们从服务器访问日志中时常可以看到源自不同IP的蜘蛛，在很短的时间内频繁访问网站。不过千万不要高兴得太早，也许其根本不是在索引你的网页而只是在扫描url。  

顺便贴几个百度几个常用的蜘蛛IP   

15 220.181.19.　　 
16 159.226.50　　 
17 202.108.11　　 
18 202.108.22　　 
19 202.108.23　　 
20 202.108.249　　 
21 202.108.250　　 
22 61.135.145　　 
23 61.135.146  

补充一下，第一类蜘蛛索引时记录的信息主要包括网页的url、最终修改时间等。 

问：   我认为蜘蛛爬取后，不能立即在搜索中体现，是cache与内容筛选工作的缘故。不同的站有不同的权重，这个时间也会不一样。最典型的是yesky的站，权重高，yesky首页上的链接，早上新增，下午就可以在百度中搜索列表中体现出来。  

    当然不可能内容抓取后便立即体现，就像你前几天说的，在页面索引后有一个释放的过程。 

问：还有个现象就是，很多小站，见蜘蛛爬了新页面，短期在搜索列表中是搜索不到的。但是在搜索引擎的cache服务器中，却可以搜索到。 

    对于一些小站的网页而言，只要第二类蜘蛛开始索引网页了，即使整个收录过程还没有完成，相应的网页便有了出现在搜索引擎索引库中的可能，比如我们在查询我们网站收录情况的时候，常常看到标注为补充结果只显示网页的url或有的只显示网页标题与url但没有描述的页面，这就是处于这一阶段网页的正常结果。当搜索引擎真正读取、分析、缓存了这个页面后，它便可以从补充结果的缓存出来显示正常的信息了。 
 
 
 


Generated by Bo-blog 2.1.1 Release