搜索引擎在抓取網(wǎng)頁(yè)的時(shí)候，可能會(huì)遇到各種情況，有的頁(yè)面抓取成功，有的抓取失敗。怎么顯示一個(gè)頁(yè)面的實(shí)際抓取結(jié)果呢？主要是通過(guò)返回碼進(jìn)行示意，代表抓取成功與否和遇到的問(wèn)題。比如我們常見(jiàn)的，有時(shí)候打開(kāi)一個(gè)頁(yè)面，頁(yè)面一片空白， 上面只顯示404。這里的404就是一種返回碼，代表當(dāng)前抓取的頁(yè)面已經(jīng)失效，遇到顯示404的頁(yè)面，如果短期內(nèi)搜索，蜘蛛再發(fā)現(xiàn)這個(gè)URL，也不會(huì)對(duì)其進(jìn)行抓取。
有時(shí)候，會(huì)返回503，503 返回碼代表網(wǎng)站臨時(shí)無(wú)法訪問(wèn)，可能是網(wǎng)站服務(wù)器關(guān)閉或者其他臨時(shí)措施造成的網(wǎng)頁(yè)無(wú)法訪問(wèn)，一般來(lái)說(shuō)，蜘蛛還會(huì)繼續(xù)抓取幾次。如果網(wǎng)站恢復(fù)正常，URL仍然被當(dāng)作正常URL處理，如果服務(wù)器一直處于不可訪問(wèn)狀態(tài)，那么搜索引擎就會(huì)將這些URL徹底從庫(kù)中刪除，這就要求我們必須維護(hù)網(wǎng)站的穩(wěn)定性，盡量避免臨時(shí)關(guān)閉的情況發(fā)生。返回碼403是禁止訪問(wèn)狀態(tài)，一般來(lái)說(shuō)，如同503一樣， 如被多次訪問(wèn)仍處于禁止訪問(wèn)狀態(tài)，就會(huì)被搜索引擎從庫(kù)里面刪除。
 
        在返回碼中，有一類(lèi)需要格外注意，就是301。301代表永久性移除，當(dāng)前URL被永久性重定向到另外的URL。一般來(lái)說(shuō)，因?yàn)楦陌娴仍颍糠諹RL需要永久被替換為新的URL，就必須使用返回碼301進(jìn)行處理，這樣能把權(quán)重等一 并帶過(guò)去，避免網(wǎng)站的流量損失。

        返回碼301的優(yōu)化寫(xiě)法如下。

        (1)創(chuàng)建一個(gè)htaccess.txt文件。

        (2)在htaccess.txt里寫(xiě)好返回碼301的跳轉(zhuǎn)信息。

        假設(shè)舊的URL為abc.com，需要重定向到www.abc.com，需在文件里寫(xiě)如下信息。

        RewriteEngine on

        RewriteCond %{http_ host} ^abc.com [NC]

        RewriteRule ^(.*)$ http://www.abc.com/$1 [L, R=301]

        (3)將htaccess.txt上傳到FTP，然后將htaccess.txt修改為.htaccess。

        需要提醒的是目前htaccess只適用于Linux系統(tǒng)，并需要虛擬主機(jī)支持，因此，在考慮.htaccess文件處理返回碼301的時(shí)候，需要查看虛擬主機(jī)是否完全支持。

        實(shí)際上，在重定向的處理上存在多種方式，簡(jiǎn)單來(lái)說(shuō)，重定向可以分為http30x重定向、meta refresh重定向和js重定向。另外，大的搜索引擎公司，比如谷歌和百度都確認(rèn)支持Canonical標(biāo)簽，可以通過(guò)制定一個(gè)權(quán)威頁(yè)面的方式，引導(dǎo)蜘蛛只索引一個(gè)權(quán)威頁(yè)面，從實(shí)際效果上來(lái)說(shuō)，也是一種間接的重定向。在實(shí)際抓取過(guò)程中，蜘蛛會(huì)對(duì)各種重定向效果進(jìn)行識(shí)別。
 
        重定向的方法有多種，但是從SEO角度來(lái)說(shuō)，如果是永久跳轉(zhuǎn)的頁(yè)面，盡量采用返回碼301的跳轉(zhuǎn)方式。另外，從時(shí)間結(jié)果來(lái)看，百度對(duì)Canonical的支持并不如谷歌好，采用Canonical 未必能得到如期效果。有些網(wǎng)站通過(guò)不同的路徑進(jìn)入同一頁(yè)面，可能會(huì)出現(xiàn)多個(gè)URL的情況，當(dāng)面對(duì)這種情況時(shí)，可能需要一些處理技巧。
 
        外鏈等因素對(duì)搜索的排名是有影響的，那么在抓取環(huán)節(jié)是否也有影響呢？百度在它的抓取政策上有優(yōu)先級(jí)的說(shuō)明，即執(zhí)行包括“深度優(yōu)先遍歷策略、寬度優(yōu)先遍歷策略、PR 優(yōu)先策略、反鏈策略、社會(huì)化分享指導(dǎo)策略等”。同時(shí)，這也說(shuō)明每個(gè)策略各有優(yōu)劣，在實(shí)際情況中往往是多種策略結(jié)合使用才能達(dá)到優(yōu)的抓取效果。從這段官方說(shuō)明里面可以看到PR優(yōu)先策略、反鏈策略、社會(huì)化分享等字眼，我們可以認(rèn)為，百度在實(shí)際抓取的時(shí)候，其實(shí)都考慮了這些因素，只是權(quán)重可能有所不同，因此，盡量提高網(wǎng)頁(yè)P(yáng)R,增加更高質(zhì)量的外鏈，進(jìn)行高質(zhì)量的社會(huì)化分享，對(duì)網(wǎng)站的SEO工作是有積極意義的。
 
        另外，針對(duì)互聯(lián)網(wǎng)存在的大量“奮版”“采集”的網(wǎng)頁(yè)情況，在抓取的過(guò)程中，蜘蛛會(huì)通過(guò)技術(shù)判斷頁(yè)面是否已經(jīng)被抓取過(guò)，并對(duì)URL不同但是實(shí)際內(nèi)容相同的頁(yè)面的URL進(jìn)行歸一化處理，即視作-一個(gè)URL。也就是告訴SEO人員，不要通過(guò)大量創(chuàng)建頁(yè)面的方式來(lái)獲得更多的搜索資源，如果頁(yè)面很多，但是每個(gè)頁(yè)面的內(nèi)容重復(fù)性很高，或者僅是URL中包含無(wú)效參數(shù)來(lái)實(shí)現(xiàn)多個(gè)頁(yè)面，搜索引擎仍然把這些URL當(dāng)作-一個(gè)URL處理，即網(wǎng)站頁(yè)面不是越多越好，通過(guò)功利的方式拼湊網(wǎng)頁(yè)，大量部署長(zhǎng)尾，但是頁(yè)面質(zhì)量堪憂(yōu)，效果會(huì)適得其反。如果大量此類(lèi)頁(yè)面被搜索引擎判斷為低質(zhì)量頁(yè)面，可能會(huì)影響到整站的SEO效果。
 
        蜘蛛在抓取的過(guò)程實(shí)際是依據(jù)鏈接不斷往下探索的過(guò)程，如果鏈接之間出現(xiàn)短路，蜘蛛就無(wú)法往前爬了。在真實(shí)的網(wǎng)站運(yùn)營(yíng)中，我們可以看到很多網(wǎng)頁(yè)實(shí)際潛藏在網(wǎng)站后端，蜘蛛是無(wú)法抓取到的，比如沒(méi)有預(yù)留入口鏈接，或者入口鏈接已經(jīng)失效等，這些無(wú)法抓取到的內(nèi)容和信息，對(duì)于蜘蛛來(lái)說(shuō)就是一個(gè)個(gè)的孤島，對(duì)SEO人員來(lái)說(shuō)就是沒(méi)有完全發(fā)揮內(nèi)容的引流作用。同時(shí)，因?yàn)榫W(wǎng)絡(luò)環(huán)境或者網(wǎng)站規(guī)范等原因也可能導(dǎo)致蜘蛛無(wú)法爬行。如何解決信息無(wú)法被抓取到的問(wèn)題?幾個(gè)可行的辦法如下。
 
        ●采用搜索引擎平臺(tái)提供的開(kāi)發(fā)平臺(tái)等數(shù)據(jù)上傳通道，可以針對(duì)數(shù)據(jù)進(jìn)行獨(dú)立的提交。
 
        ●采用Sitemap提交方式。 大型網(wǎng)站或者結(jié)構(gòu)比較特殊的網(wǎng)站，沉淀了大量的歷史頁(yè)面，這些歷史頁(yè)面很多具有SEO的價(jià)值，但是蜘蛛無(wú)法通過(guò)正常的爬行抓取到，針對(duì)這些頁(yè)面，建立Sitemap文件并提交給百度等搜索引擎是非常必要的。
 
        蜘蛛在爬行網(wǎng)站的時(shí)候，會(huì)遵循網(wǎng)站的協(xié)議進(jìn)行抓取，比如哪些網(wǎng)頁(yè)可以給搜索引擎抓取，哪些不允許搜索引擎抓取。常見(jiàn)的協(xié)議有HTTP協(xié)議、HTTPS協(xié)議、Robots 協(xié)議等。
 
        HTTP協(xié)議規(guī)范了客戶(hù)端和服務(wù)器端請(qǐng)求和應(yīng)答的標(biāo)準(zhǔn)。客戶(hù)端般是指終端用戶(hù)，服務(wù)器端指網(wǎng)站。終端用戶(hù)通過(guò)瀏覽器、蜘蛛等向服務(wù)器指定端口發(fā)送HT請(qǐng)求。發(fā)送HTTP請(qǐng)求會(huì)返回對(duì)應(yīng)的HTTP Heder信息，我們可以看到包括是否成功、服務(wù)器類(lèi)型、網(wǎng)頁(yè)近更新時(shí)間等內(nèi)容。
 
         HTTPS協(xié)議是-種加密協(xié)議，一般用戶(hù)安全數(shù)據(jù)的傳輸。 HTTPS是在HTTP下增加了SSL層，這類(lèi)頁(yè)面應(yīng)用比較多的是和支付相關(guān)或者內(nèi)部保密信息相關(guān)的網(wǎng)頁(yè)。蜘蛛不會(huì)自動(dòng)爬行該類(lèi)網(wǎng)頁(yè)。因此，從SEO角度考慮，在建站的時(shí)候，盡量對(duì)頁(yè)面的性質(zhì)進(jìn)行區(qū)分，對(duì)非保密頁(yè)面進(jìn)行HTTP處理，才能實(shí)現(xiàn)網(wǎng)頁(yè)的抓取和收錄