如何提高spider抓取网站？提高spider抓取策略（2）
上一篇文章中，给大家简单介绍了提高spider抓取网站策略的两大方法，另外还有五个策略接着给分享给大家。
如果没有浏览上篇文章，可以通过以下链接查看：
【如何提高spider抓取网站？提高spider抓取策略（1）】
提高spider抓取策略有哪些？
三、多种URL重定向的识别
为了让spider能够对多种URL重定向的识别，重定向分别有三类：HTTP 30x重定向、Meta refresh重定向和JS重定向。百度目前也支持Canonical标签。
四、抓取优先级调配
想让搜索引擎抓取网站全部页面，是没有百分百的。所以需要在抓取系统设计抓取优先级调配。
抓取优先级调配包含：宽度优先遍历策略、PR优先策略、深度优先遍历策略等等。根据实际情况结合多种策略使用完善抓取效果。
五、重复URL的过滤
网站出现重复的URL过多，会引发被降权。
重复页面可以使用301重定向，在服务器端对标准URL进行定义。把不标准的URL都301重定向到标准的URL上。
六、暗网数据的获取
暗网数据指的是搜索引擎无法抓取的数据。主要因为网站上的数据都在网络数据库中，spider很难抓取中获得完整内容；其次网络环境和网站本身不符合规范等问题，导致搜索引擎无法抓取。
解决暗网数据的问题，可以通过百度站长平台数据提交的方式来解决。
七、抓取反作弊
Spider在抓取过程中会抓取到低质量页面或者是被黑的页面。通过分析URL特征、页面的大小等等原因，完善的抓取反作弊。
来源：搜外网
Public @ 2013-03-16 16:22:34
