|
照片
本文大纲：
1、爬虫是什么？反爬虫又是什么？
2、爬虫有那些归类？
3、爬中流程与搜索引擎工作流程
4、http/https协议与状态码
5、robots协议
爬虫是什么？反爬虫又是什么？
这儿的爬虫不是咱们生活中的爬虫，如蜘蛛。这儿的爬虫更加多指的是网络爬虫，即咱们叫它网页蜘蛛或网络设备人。当然，在seo里，叫网页蜘蛛更加多。
网络爬虫，是一种根据必定规则，自动地抓取互联网上的信息的一种程序。他有一个英文名叫spider，例如百度网页蜘蛛就叫baiduspider，那搜狗的就叫Sogou spider。
这亦是咱们SEO人员做网站优化排名会听说的一个词。网站为啥没收录呢？原来蜘蛛没来抓取！怎样看这个爬虫蜘蛛朋友来没来呢，让技术把网站日志下载给咱们，咱们就能够判断了，你说算不算好伴侣？
百度爬虫是什么？Baiduspider是啥？
Baiduspider是百度搜索引擎的一个自动程序，它的功效是拜访互联网上的网页，创立索引数据库，运用户能在百度搜索引擎中搜索到网站上的网页。百度还有那些蜘蛛呢？如下图。最大都是圈中这个，记得哈~
照片
反爬虫是什么？
咱们以门户网站举例，企业网站亦同理哈。门户网站经过相应的策略和技术手段，防止爬虫程序进行网站数据的爬取，这就叫反爬虫。
当然，其实还有反反爬虫，即爬虫程序经过相应的策略和技术手段，破解了门户网站的反爬虫手段，从而爬取到相应的数据，这就叫反反爬虫。
再白话举例：你要来采集我的内容（爬虫），我不给你采并且我做防采集（反爬虫）。你呢，又搞了更高技术把我防采集攻破了采集（反反爬虫），这般理解了吧？
爬虫有那些归类？
爬虫总共就分两类：通用爬虫与聚焦爬虫。
通用爬虫：简单说便是尽可能的把网上的所有的网页下载下来，放到服务器里再对这些网页做关联处理，最后给用户搜索用，一般指的搜索引擎爬虫。例如：谷歌爬虫、百度爬虫、搜狗爬虫、360爬虫等。
聚焦爬虫：它是按照指定的需要抓取网络上指定网站的数据。例如：获取知乎问答上的某一问题的浏览量和回答人数，而不是获取全部页面中所有数据。它亦能够理解叫特定爬虫。
上面说到的反爬虫与反反爬虫，基本上都是在反这种聚焦爬虫哈，你亦能够理解为爬虫攻防战哈哈哈。
爬中流程与搜索引擎工作流程
爬虫通常工作流程：确定某个URL——发送请求——响应内容——提取数据——保留数据。
搜索引擎蜘蛛工作流程：爬取网页——存储数据——数据预处理——供给用户搜索网页排名。
是不是感觉难理解？发送请求是什么，响应内容又是什么？这个往下看HTTP协议与状态看完你就懂了。
关于搜索引擎数据预处理在处理什么，怎么理解？看公众号白杨SEO两年前写过这篇《白杨SEO：大白话告诉你理解搜索引擎工作原理的道理和运用》，看完你就懂了。
http/https协议与状态码
HTTP协议指的是Hyper Text Transfer Protocol（超文本传输协议）的缩写,是用于从万维网 WWW（World Wide Web缩写）服务器传输超文本到本地浏览器的传送协议。默认端口号：80。
而HTTPS (Secure Hypertext Transfer Protocol)安全超文本传输协议指的是HTTPS是在HTTP上创立SSL加密层，并对传输数据进行加密，是HTTP协议的安全版。默认端口号：443。
你是不是理解不了这个HTTP到底什么东东？简单白话来讲这个便是用来传输和接收页面的，保准你的电脑能快速传输文本文档并且让你看到哈。
至于HTTP的请求头，响应头，都是各样代码，白杨SEO就不在这儿写了，倘若你要真的想认识，自己去搜索，这儿只讲一下咱们SEO中会看到的HTTP请求响应状态码，通常状态码如下：
照片
上面只要是2或3开头都是好的，例如查白杨SEO博客的：
照片
照片
输入http://www.baiyangseo.com返回是301，而输入 https://www.baiyangseo.com 返回的是200正常的你晓得为何吗？
其实，这在SEO里来讲，是由于两个区别URL内容是一模同样，为了让搜索引擎避免认为作坏处，因此做了301永久重定向。简单理解，你用不带s的HTTP那个域名打开便是这个带的了哈。
关于这个状态码，倘若你想学习认识更深入一点，一样能够白杨SEO公众号上这篇：《白杨SEO：SEO入门学习之搜索引擎蜘蛛与网站HTTP状态码》
robots协议
最后，来到针对搜索引擎网页蜘蛛robots协议了。这个倘若你是学SEO的，肯定要学的。
robots协议是什么？简单理解便是网站经过Robots协议告诉搜索引擎，网站上那些页面能够抓取，哪些页面不可抓取！然则，它仅仅是互联网中的一种约定罢了。因此有些人说我明明禁止XXX蜘蛛还是被抓取了哈哈哈。
它长啥样？到底有什么用？
照片
长啥样，如上图，功效便是上面说的，在SEO里便是告诉蜘蛛来爬我这儿，通常每一个站都会做这个，由于蜘蛛首要要爬取一个页面这个地区是最先爬取的，亦会反复爬取。
不要问我为啥要给蜘蛛爬取，你做一个网站目的是啥，不便是要让蜘蛛爬取而后用户搜索的时候看到你带来流量吗？当然，你说我做网站只是用来存储我自己看除外哈哈哈。
作者简介：
白杨SEO，专注SEO科研十年，SEO、流量实战派，对互联网精细流量有深入科研。
| 
发表于 2024-8-25 10:27:10
