盡管搜索引擎在不斷地升級算法，但是終究其還是程序，因此我們在布局網(wǎng)站結構的時(shí)候，要盡可能地讓搜索引擎蜘蛛看得懂。每個(gè)搜索引擎蜘蛛都有自己的名字，在抓取網(wǎng)頁(yè)的時(shí)候，都會(huì )向網(wǎng)站表明自己的身份。搜索引擎蜘蛛在抓取網(wǎng)頁(yè)的時(shí)候會(huì )發(fā)一個(gè)請求，這個(gè)請求中有一個(gè)字段為user-agent，用于標示此搜索引擎蜘蛛的身份。那么，今天就和大家一起來(lái)深度了解蜘蛛spider抓取原理。

例如Google搜索引擎蜘蛛的標識為Googlebot，百度搜索引擎的標識為baidu spider,yahoo搜索引擎蜘蛛的標識為inktomi slurp。如果在網(wǎng)站上有訪(fǎng)問(wèn)日志記錄，網(wǎng)站管理員就能知道，哪些搜索引擎的搜索引擎蜘蛛過(guò)來(lái)過(guò)，什么時(shí)候過(guò)來(lái)的，以及讀了多少數據等。如果網(wǎng)站管理員發(fā)現某個(gè)蜘蛛有問(wèn)題，就通過(guò)其標識來(lái)和其所者聯(lián)系。

搜索引擎蜘蛛進(jìn)入一個(gè)網(wǎng)站，一般會(huì )訪(fǎng)問(wèn)一個(gè)特殊的文本文件robots.txt。這個(gè)文件一般放在網(wǎng)站服務(wù)器的根目錄下，網(wǎng)站管理員可以通過(guò)robots.txt來(lái)定義哪些目錄搜索引擎蜘蛛不能訪(fǎng)問(wèn)，或者那些目錄對于某些特定的搜索引擎蜘蛛不能訪(fǎng)問(wèn)。例如，有些網(wǎng)站的可執行文件目錄和臨時(shí)文件目錄不希望被搜索引擎到，那么網(wǎng)站管理員就可以把這些目錄定義為拒絕訪(fǎng)問(wèn)目錄。robots.txt語(yǔ)法也很簡(jiǎn)單，如果對目錄沒(méi)有任何限制，可以用以下兩行來(lái)描述。

user-agent*

Disallow：

當然，robots.txt只是一個(gè)協(xié)議，如果搜索引擎蜘蛛的設計者不遵循這個(gè)協(xié)議，網(wǎng)站管理員也無(wú)法阻止搜索引擎蜘蛛對于某些頁(yè)面的訪(fǎng)問(wèn)。但一般的搜索引擎蜘蛛都會(huì )遵循這些協(xié)議，而且網(wǎng)站管理員還可以通過(guò)其他方式來(lái)拒絕搜索引擎蜘蛛對某些網(wǎng)頁(yè)的抓取。

搜索引擎蜘蛛在下載網(wǎng)頁(yè)的時(shí)候，會(huì )去識別網(wǎng)頁(yè)的HTML代碼，在其代碼的部分，會(huì )有meta標識。這些標識可以告訴搜索引擎蜘蛛本網(wǎng)頁(yè)是否需要被抓取，還可以告訴搜索引擎蜘蛛本網(wǎng)頁(yè)中的鏈接是否需要被繼續跟蹤。例如，表示本網(wǎng)頁(yè)不需要被抓取，但是網(wǎng)頁(yè)內的鏈接需要被跟蹤。

現在一般的網(wǎng)站都希望搜索引擎能更全面地抓取自己的網(wǎng)站的網(wǎng)頁(yè)，因為這樣可能讓更多的訪(fǎng)問(wèn)者通過(guò)搜索引擎能找到此網(wǎng)站。為了讓本網(wǎng)站的網(wǎng)頁(yè)更全面被抓取到，網(wǎng)站管理員可以建立一個(gè)網(wǎng)站地圖，即sitemap。許多搜索引擎蜘蛛會(huì )把sitemap，htm文件作為一個(gè)網(wǎng)站網(wǎng)頁(yè)爬取得入口，網(wǎng)站管理員可以把網(wǎng)站內容內部所有網(wǎng)頁(yè)的鏈接放在這個(gè)文件里面，那么搜索引擎蜘蛛可以很方便地把整個(gè)網(wǎng)站抓取下來(lái)，避免遺漏某些網(wǎng)頁(yè)，也會(huì )減小服務(wù)器的負擔（Google專(zhuān)門(mén)為網(wǎng)站管理嚴提供了XML的Sitemap）。

搜索引擎建立網(wǎng)頁(yè)索引，處理的對象是文本文件。對于搜索引蜘蛛來(lái)說(shuō)，抓取下來(lái)網(wǎng)頁(yè)包括各種格式，包括HTML、圖片、doc、PDF、多媒體、動(dòng)態(tài)網(wǎng)頁(yè)極其他格式。把這些文件抓取下來(lái)后，需要把這些文件中的文本信息提取出來(lái)。準確提取這些文檔的信息，一方面對搜索引擎的搜索引擎準確性有重要的作用，另一方面對于搜索引擎蜘蛛正確跟蹤其他鏈接有一定影響。

對于doc、PDF等文檔，這種由專(zhuān)業(yè)廠(chǎng)商提供的軟件生成的文檔，廠(chǎng)商都會(huì )提供相應的文本提取接口。搜索引擎的搜索只需要調用這些插件的接口，就可以輕松地提取文檔中的文本信息和文件的其他相關(guān)的信息。

HTML等文檔不一樣，HTML有一套自己的語(yǔ)法，通過(guò)不同的命令標識符來(lái)標識不同的字體、顏色、位置等，提取文本信息時(shí)需要把這些標識符都過(guò)濾掉。過(guò)濾標識符并非難事，因為這些標識符都有一定的規則，只要按照不同的標識符取得相應的信息即可。但在識別這些信息的時(shí)候，需要同步記錄許多版式信息。

除了標題和正文以外，會(huì )有許多廣告鏈接以及公共的頻道鏈接。這些鏈接和文本正文一點(diǎn)關(guān)系也沒(méi)有，在提取網(wǎng)頁(yè)內容的時(shí)候，也需要過(guò)濾這些無(wú)用的鏈接。例如，某個(gè)網(wǎng)站有“產(chǎn)品介紹”頻道，因為導航條在網(wǎng)站內每個(gè)網(wǎng)頁(yè)都會(huì )搜索到，無(wú)疑會(huì )帶來(lái)大量垃圾信息，過(guò)濾這些無(wú)效鏈接需要統計大量的網(wǎng)頁(yè)結構規律，抽取一些共性，統一過(guò)濾；對于一些重要而結果特殊的網(wǎng)站，還需要個(gè)別處理。這就需要搜索引擎蜘蛛的設計有一定的擴展性。