1、抓取
網站的頁面有沒有被搜索引擎收錄,首先要看一下網站的蜘蛛訪問日誌,看一下蜘蛛有沒有來,如果蜘蛛都沒有抓取,那是不可能被收錄的。蜘蛛訪問網站的日誌可以從網站的IIS日誌裏面看到,如果搜索引擎蜘蛛沒有來呢?那麼就主動向搜索引擎提交,搜索引擎會派出蜘蛛來抓取網站,這樣網站纔有可能被儘快收錄。
廣度優先抓取:廣度優先抓取是按照網站的樹形結構,對一個的層進行的抓取,如果此層沒有抓取完成,蜘蛛不會進行下一層的搜索。
深度優先抓取:深度優先抓取是按照網站的樹形結構。按照一個連接,一直抓取下去,知道這一個連接沒有再往下的鏈接爲止,深度優先抓取又叫縱向抓取。
(注意:廣度優先抓取,適用於所有情況下的搜索,但是深度優先抓取不一定能適用於所有情況。因爲一個有解的問題樹可能含有無窮分枝,深度優先抓取如果誤入無窮分枝(即深度無限),則不可能找到目標結束點。所以,深度優先抓取策略很多時候是不會被使用的,廣度優先的抓取更加的保險。)
廣度優先抓取適用範圍:在未知樹深度情況下,用這種算法很保險和安全。在樹體系相對小不龐大的時候,廣度優先也會更好些。
深度優先抓取適用範圍:剛纔說了深度優先抓取有自己的缺陷,但是並不代表深度優先抓取沒有自己的價值。在樹型結構深度已知情況下,並且樹體系相當龐大時,深度優先搜索往往會比廣度優先搜索優秀。
2、過濾
企業網站的頁面被抓取了並不代表一定會被收錄。蜘蛛來抓取了之後,會把數據帶回去,放到臨時的數據庫中,再進行過濾,過濾掉一些垃圾的內容或者是低質量的內容。
你頁面的信息如果是採集,在互聯網上有大量的相同信息,搜索引擎就很有可能不爲你的網頁建立索引。有時候我們自己寫的文章也不會被收錄,因爲原創的不一定就是高質量的。
過濾這一過程就是一個去掉糟粕的過程,如果你的網站的頁面順利通過了過濾這一過程,說明頁面的內容達到了搜索引擎設定的標準,頁面會就會進入建立索引和輸出結果這一步。
3、建立索引與輸出結果
這裏,我們把建立索引和輸出結果合在一起進行說明。
通過一系列的過程之後,符合收錄的頁面之後會建立索引,建立索引之後就是輸出結果,也就是我們在搜索關鍵詞後,搜索引擎展示給我們的結果。
當用戶在搜索關鍵詞時搜索引擎就會輸出結果,輸出的結果是有順序排列的。這些結果排序是根據一系列複雜的算法來排定的。比如:頁面的外鏈,頁面與關鍵詞的匹配度,頁面的多媒體屬性等。
在輸出的結果中,還有一些結果是通過抓取之後直接可以輸出的,沒有經過中間複雜的過濾和建立索引等過程。什麼樣的內容和什麼樣的情況下才會發生的呢?那就是具有很強的時效性的內容,比如新聞類的。比如今天發生了一件特大事件,各大門戶和新聞源快速發出了關於事件的新聞,搜索引擎會迅速對重大新聞事件作出反應,快速收錄相關的內容。
百度對於新聞的抓取速度是很快的,對重大事件的反應也比較及時。但是這裏還有一個問題就是,這些發佈的新聞如果有低質量的頁面會怎麼辦?搜索引擎會在輸出結果之後,仍然對這一部分新聞內容進行過濾,如果頁面內容與新聞標題不符,質量過低,那麼低質量的頁面還是會被搜索引擎過濾掉。
在輸出結果的時候,搜索引擎會多多少少會對搜索結果進行人工幹預,其中以百度爲最嚴重,在百度很多關鍵詞的自然搜索結果中被加入了百度太多自家的產品,而且很多是沒有考慮用戶體驗的,這也是百度被大家詬病的原因之一,有興趣的朋友可以百度一個詞看一下搜索結果,是不是百度自家的產品佔據了太多的首頁位置。