建站知識

百度VIP大講堂QA：抓取、建庫、解析

問：新出的時效性文章當(dāng)時沒有被收錄，后期是否還會被收錄？

答：會

問：站點(diǎn)每天最高爬蟲多少次？

答：這個其實(shí)說不好，有的站點(diǎn)我們一天會抓一兩千萬，有的站點(diǎn)只抓幾個、幾十個，看你的規(guī)模和質(zhì)量，而且這個抓取量也是會根據(jù)網(wǎng)站的情況進(jìn)行調(diào)整的。

問：我們的頁面本身就很大，會不會解析不出來？

答：頁面本身很大倒沒問題，趕集、安居客這些量都很大，沒有問題。我剛才說的例子，你每次都follow出來新鏈接，隨機(jī)把后面的參數(shù)去掉都不影響這個網(wǎng)頁的正常訪問，這種肯定有問題的。

問：剛才說對URL的長度有要求，那對每一段、就是目錄名的長度有沒有要求

答：沒有要求，我們是要求url從www開始到結(jié)束，總長度不超過1024個字節(jié)。

問：站內(nèi)重復(fù)內(nèi)容是怎么判斷的？文本內(nèi)容一樣結(jié)構(gòu)不一樣，算不算重復(fù)？

答：算重復(fù)

問：假設(shè)是整個頁面全是Flash，如果我把一些欄目或者最新的內(nèi)容隱藏掉，不影響美觀隱藏掉，如果用hidden屬性能不能提取出來？CSS可不可以？

答：hidden可以提出來，但如果是注釋就不會管。CSS不可以。

問：頁面大小不超過1兆，是指頁面壓縮以前還是以后。

答：指頁面壓縮以后，不要超過1兆

問：我網(wǎng)站的信息已經(jīng)過時了，但網(wǎng)頁返回的是200，會受懲罰？為什么呀？

答：用戶在搜索結(jié)果里點(diǎn)了你的結(jié)果，導(dǎo)流導(dǎo)到你的網(wǎng)站，但沒什么可看的，對用戶沒有用，百度當(dāng)然不喜歡。

問：現(xiàn)在我們很多網(wǎng)站，為了讓用戶覺得有意思，內(nèi)容沒了就放一張圖片，寫一些有意思的話，什么“工程師去哪啦”之類的，對百度友好不？

答：最好不要用，我知道站點(diǎn)是想讓百度當(dāng)內(nèi)容死鏈來識別，但內(nèi)容死鏈識別起來是有準(zhǔn)確率和召回率風(fēng)險的。

問：我們團(tuán)購網(wǎng)站的確會有過期團(tuán)購的頁面，會受懲罰嗎

答：如果量特別大、點(diǎn)擊量很大的話肯定會有懲罰的。有些可以當(dāng)內(nèi)容死鏈被分析出來，如果分析不出來，會被一些其他的策略挖出來，會有這樣的問題。

問：剛才說資訊內(nèi)容頁面，上面有個發(fā)布時間好，那如果頁面上沒有時間呢？

答：那我們往往是按當(dāng)時抓取的時間來做判定。

問：評論里面時間重要嗎。

答：百度更重視主體內(nèi)容的時間，評論不算主體內(nèi)容。

問：我們是個平臺，很多產(chǎn)品其實(shí)只是一個型號變更了，其實(shí)顏色都是一模一樣的，對蜘蛛而言僅僅只是幾個字符，會被識別為重復(fù)嗎

答：如果是一個產(chǎn)品的結(jié)構(gòu)化信息的話，應(yīng)該不會被認(rèn)為是重復(fù)。如果你是簡單內(nèi)容摘要的方式進(jìn)行介紹的話，可能會存在重復(fù)問題。

問：靜態(tài)URL和動態(tài)URL區(qū)別大嗎？

答：不大，我們現(xiàn)在認(rèn)為靜態(tài)和動態(tài)都一樣的，因?yàn)閺膗rl上面他能夠識別出來，但是抓取回來的東西不太一樣。所以現(xiàn)在認(rèn)為無論你是靜態(tài)還是動態(tài)，我們都認(rèn)為同樣都是url來對待。

錄入時間：2014/12/16 Hits:11781