亚洲国产AV一区二区三区久久_乱人妻中文字幕视频_91麻豆精品国产一级_精品国产欧美另类一区

  一、什么是爬蟲陷阱：

    “蜘蛛陷阱”是阻止蜘蛛程序爬行網(wǎng)站的障礙物，一些網(wǎng)站設(shè)計(jì)技術(shù)對(duì)搜索引擎說很不友好，不利于蜘蛛爬行和抓取，這些技術(shù)被稱為蜘蛛陷阱。 最大的特點(diǎn)是當(dāng)蜘蛛抓取某個(gè)特定URL的時(shí)候，它便進(jìn)入了無限循環(huán)，只有入口，沒有出口。

爬蟲陷阱

    二、常見的“蜘蛛陷阱”有哪些：

    1、站內(nèi)搜索

    這是一個(gè)常見且容易造成“蜘蛛陷阱”的地方，當(dāng)你試圖在站內(nèi)搜索某些特定關(guān)鍵詞的時(shí)候，如果類似search.php?q=這樣的URL地址被搜索引擎抓取與收錄，那么很可能產(chǎn)生大量無意義的搜索結(jié)果頁面。

    解決方法：你可以通過Robots.txt這個(gè)文件，屏蔽動(dòng)態(tài)參數(shù)。

    2、電商產(chǎn)品

    如果你以往有過操作電商網(wǎng)站的經(jīng)歷，那么你會(huì)遇到產(chǎn)品SKU的多樣性的問題，同一個(gè)主題內(nèi)容，會(huì)根據(jù)SKU的不同，產(chǎn)生多個(gè)URL，造成大量的內(nèi)容重復(fù)頁面，這也導(dǎo)致嚴(yán)重浪費(fèi)蜘蛛抓取頻率。還有一種特殊的“蜘蛛陷阱”與電商產(chǎn)品頁面類似，就是動(dòng)態(tài)的內(nèi)容插入，這也往往導(dǎo)致蜘蛛陷入溫柔的陷阱。

    解決方法：確保URL的規(guī)范性，你可以試圖利用rel=canonical這個(gè)標(biāo)簽來解決類似問題。

    3、Flash網(wǎng)站

    為了滿足用戶的視覺體驗(yàn)，建站公司通常會(huì)使用Flash網(wǎng)站，給用戶搭建企業(yè)官網(wǎng)，這樣看起來非常美觀，但由于目前搜索引擎并不能很好的抓取與識(shí)別flash內(nèi)容，往往導(dǎo)致站點(diǎn)排名很難提升。

    解決方法：不要做整站flash，盡量將flash嵌入網(wǎng)頁內(nèi)容的一部分。

    4、限制性內(nèi)容

    對(duì)于一些站點(diǎn)，出去吸引粉絲的目的，很多內(nèi)容只有登錄才能查看，特別是一些強(qiáng)制cookie的操作，這誘導(dǎo)與欺騙了蜘蛛，它很難識(shí)別內(nèi)容，并且不斷的嘗試抓取這個(gè)URL。

    解決方法：針對(duì)小金網(wǎng)站建設(shè)，盡量避免采用這種策略，去吸引用戶。

爬蟲陷阱

    三：如何識(shí)別“蜘蛛陷阱”。對(duì)于識(shí)別蜘蛛陷阱的方法，特別容易，你只需要通過如下內(nèi)容：

    1、網(wǎng)站日志：利用工具讀取當(dāng)日蜘蛛抓取URL的內(nèi)容，如果發(fā)現(xiàn)特殊的URL地址，那么值得進(jìn)一步關(guān)注。

    2、抓取頻率：查看百度搜索資源平臺(tái)中抓取頻率，如果某一天數(shù)值特別大，那么很可能陷入蜘蛛陷阱。

    四、爬蟲的基本原理，網(wǎng)絡(luò)爬蟲的基本工作流程如下：

    1、首先選取一部分精心挑選的種子URL；

    2、將這些URL放入待抓取URL隊(duì)列；

    3、從待抓取URL隊(duì)列中取出待抓取在URL，解析DNS，并且得到主機(jī)的ip，并將URL對(duì)應(yīng)的網(wǎng)頁下載下來，存儲(chǔ)進(jìn)已下載網(wǎng)頁庫中。此外，將這些URL放進(jìn)已抓取URL隊(duì)列。

    4、分析已抓取URL隊(duì)列中的URL，分析頁面里包含的其他URL，并且將URL放入待抓取URL隊(duì)列，從而進(jìn)入下一個(gè)循環(huán)。

    五、爬蟲爬取難點(diǎn)匯總：

    1、環(huán)路：網(wǎng)絡(luò)爬蟲有時(shí)候會(huì)陷入循環(huán)或者環(huán)路中，比如從頁面 A，A 鏈接到頁面 B，B 鏈接 頁面C，頁面 C 又會(huì)鏈接到頁面 A。這樣就陷入到環(huán)路中。

    環(huán)路造成的影響：

    1.1、消耗網(wǎng)絡(luò)帶寬，無法獲取其他頁面

    1.2、對(duì) Web 小金服務(wù)器也是負(fù)擔(dān)，可能擊垮該站點(diǎn)，可能阻止正常用戶訪問該站點(diǎn)

    1.3、即使沒有性能影響，但獲取大量重復(fù)頁面也導(dǎo)致數(shù)據(jù)冗余

    2、URL別名：有些 url 名稱不一樣，但是指向同一個(gè)資源。

爬蟲陷阱

    3、動(dòng)態(tài)虛擬空間：比如日歷程序，它會(huì)生成一個(gè)指向下一月的鏈接，真正的用戶是不會(huì)不停地請(qǐng)求下個(gè)月的鏈接的。但是不了解這內(nèi)容特性的爬蟲蜘蛛可能會(huì)不斷向這些資源發(fā)出無窮的請(qǐng)求。

以上文章來源于網(wǎng)絡(luò)，如有侵權(quán)請(qǐng)聯(lián)系創(chuàng)一網(wǎng)的客服處理。謝謝！