搜索引擎工作原理一共包括三個過程：網(wǎng)頁搜索，預處理信息，建立索引。
細化分為：爬行—抓取—處理抓取信息—建立索引—呈現(xiàn)排名
一：爬行
爬行的目的：建立待抓取列表
谷歌爬蟲：ddos 百度爬蟲：spider
1、發(fā)現(xiàn)：
新的網(wǎng)站
被動等待：設置好Robots.txt文件，放在服務器等待爬蟲自己過來爬取。（谷歌幾周，百度一個月至幾個月不等。）
主動引爬蟲：寫帶有鏈接的軟文花錢放在高質量高權重的網(wǎng)站中、利用權重高的博客、在質量高的論壇里發(fā)外鏈。
新的內容
能放首頁放首頁，否則盡量爭取放在頂級欄目（總結：爭取權重高的位置放）
Banner圖片不如幻燈片，幻燈片不如文字。（總結：文字優(yōu)先，圖片寫alt屬性）2、爬蟲分析：
查看：網(wǎng)站日志分析。Log文件里可查看站長工具：查看抓取頻次。太高時會造成服務器崩潰問題及解決：網(wǎng)站訪問突然為
先site下網(wǎng)站收錄看看有沒有被懲罰
分析日志爬蟲，記錄IP（蜘蛛、用戶）
統(tǒng)計代碼出現(xiàn)問題
3、爬行策略：
深度優(yōu)先：一層欄目走到底（1百萬-1千萬個頁面）廣度優(yōu)先：同行欄目分別收集（1百萬個頁面）混合：兩者的混合使用（5千萬-1億個頁面）
4、爬蟲抓取障礙：
txt文件設置錯誤服務器本身的問題（動態(tài)IP頻繁出現(xiàn)、服務器不穩(wěn)定）URL超長，搜索引擎爬蟲懶得直接不抓。爬蟲陷阱
二：抓取
網(wǎng)頁本身需符合W3C標準
頁頭信息：狀態(tài)碼：200（正常訪問）、404（死鏈）、301（永久性重定向）、302（臨時重定向慎用）、403（禁止訪問）、5xx（數(shù)據(jù)庫的問題）編碼：建議使用utf-8. gb2312在國外打開是亂碼TDK關鍵詞：Title：盡量靠前，我們想讓爬蟲進入到某個頁面就看到我們的主旨內容。
長度：33個漢字 文章的話25個漢字足矣 英文兩個字符算一個字
位置：關鍵詞位置前置
次數(shù)：不要過于重復太多（欄目可強調關鍵詞，最重要的放前面）
可讀性：考慮到用戶體驗
原創(chuàng)性：蜘蛛喜歡新鮮的東西
Keyword: 首頁5-7個、一級欄目5-6個、二級欄目4-5個、列表頁3-4個、專題2-3個。Deion： （欄目必須圍繞關鍵詞寫）
作用：提高點擊率
密度：3-8%
長度：80個漢字
原創(chuàng)性：有利于收錄
可讀性：用戶體驗考慮
號召行動：活動、促銷一類的頁面
3、公共部分：
搜索引擎不會抓取重復部分(爬蟲比較喜歡新鮮原創(chuàng)性的東西，重復出現(xiàn)的內容不利于抓取)
4、導航：主導航、次導航、左導航、SEO導航（標簽）、面包屑導航（不要用JS實現(xiàn)）、
5、廣告：
Banner圖片不如幻燈片，幻燈片不如文字（總結：文字優(yōu)先，圖片寫alt屬性）。文字有利于爬蟲抓取。
6、正文：
關鍵詞：次數(shù)合適、密度適中3-8%、位置靠前（金花站長工具可以查出來）
標簽：唯一性，整個頁面第一重要。含關鍵詞，關鍵詞盡量靠前
標簽：不唯一性，第二重要性。
中可加其它的屬性屬性：只能用于![]()
，意在告訴蜘蛛圖片的解釋
三：處理抓取結果（預處理）
爬蟲抓取后壓縮成數(shù)據(jù)包返回數(shù)據(jù)庫
相關性：因為百度算法語境分析+語義分析的原因，所以網(wǎng)站不要出現(xiàn)不相關的內容出現(xiàn)，否則搜索引擎也會撇掉的權威性：各種評獎、網(wǎng)絡評比、申請百度客服增加信任度。
注：不權威造成的影響：同一篇文章，由于信任度高低，有可能自己被轉載發(fā)布的文章自己的反倒在別人網(wǎng)站后面。
去重：一個鏈接不能有多個頁面、同一個關鍵詞不能指向不同鏈接、同一頁面下不要出現(xiàn)不同鏈接相同關鍵詞、
四：建立索引
搜索引擎的索引是反向建立的
首頁 URL 76分
一級欄目 URL 80分
二級欄目 URL 96分
專題頁 URL 70分
產品 URL 68分
百度分詞：從前往后、從后往前、統(tǒng)計學、
第三步處理抓取結果的時候說到爬蟲把抓取的內容壓縮成數(shù)據(jù)包返回數(shù)據(jù)庫。這時搜索引擎的索引庫建成。當用戶搜某個詞（長尾詞或短尾詞）的時候搜索引擎會根據(jù)百度分詞規(guī)律首先展現(xiàn)搜索詞與索引庫里完全一致的詞。
魯公網(wǎng)安備 37010202002295號 版權所有 魯ICP備14024464號-4