一张图让你看懂网站收录全过程

搜索引擎工作过程非常复杂，今天和大家分享一下我所了解的百度蜘蛛是怎么实现网页收录的工作过程的。 

　　搜索引擎工作大致可以分为四个过程。 

　　1、蜘蛛爬行抓取。 

　　2、信息过滤。 

　　3、建立网页关键词索引。 

　　4、用户搜索输出结果。

　　蜘蛛爬行抓取

　　当百度蜘蛛来到一个页面时，它会跟踪页面上的链接，从这个页面爬行到下一个页面，就好像一个递归过程，这样常年累月，不止疲倦的工作。比如蜘蛛来到了我的网站首页，它会先读取根目录下的robots.txt文件，如果没有禁止搜索引擎抓取，那么蜘蛛就开始针对网页上的链接，进行逐一跟踪爬行。比如我的置顶文章“南宁网站优化概述|什么是南宁网站优化 南宁网站优化到底是干嘛的”，引擎就会多进程式的来到这篇文章所在的网页抓取信息，如此循坏，没有终结。

　　信息过滤 

　　为了避免重复爬行和抓取网址，搜索引擎会有一个记录已爬行和未被爬行的地址库，如果你有一个新网站时，你可以去百度官网提交网站的网址，引擎就会记录它，并把它归类到未爬行的网址，然后蜘蛛就会根据这个表格，从数据库中提取URL，访问并抓取页面。

　　蜘蛛并不会收录所有的页面，它要经过严格检测。当蜘蛛在爬行和抓取一个网页的内容时，会进行一定程度的复制内容检测，如果网页所在的网站权重低，而且大部分文章都是抄袭来的话，蜘蛛就很可能不喜欢你的网站了，不在继续爬行，也就不收录你的网站。

　　建立网页关键词索引 

　　当蜘蛛抓取了一个页面之后，首先会对页面文字内容进行分析。通过分词技术，将网页的内容简化到关键词，并把关键词和对应的网址制成表格建立索引。

　　索引又有正向索引和反向索引，正向索引是把网页内容对应的关键词，反向是关键词对应的网页信息。

　　输出结果 

　　当用户搜索了某个关键词之后，就会通过前面建立的索引表进行关键词匹配，通过反向索引表找到关键词对应的页面，通过引擎对网页综合评分计算以后，根据网页的评分来决定网页的先后顺序排名。  

     以上便是百度蜘蛛对一个网页抓取过程的原理及内容呈现了，希望对你有帮助。欢迎阅读我们更多客户的建设网站方案