点 HTTP状态代码是指网站服务器对用户请求的响应结果。根据不同的HTTP状态代码，搜索引擎可以了解网页更新的频率，以及网页存在的情况，从而判断是否应该继续Crawl你的站点： HTTP 200：这是最常见的状态码，表示请求成功。搜索引擎会解析服务器返回的网页内容，并继续向您的站点爬取其他页面。 HTTP 301/302：这些状态码表示链接已经更改，搜索引擎会更新当前网页的链接，并继续爬取新的链接。 HTTP 404：这个状态码表示网页不存在，搜索引擎会忽略这个页面，并爬取其它可用的页面。 HTTP 403：这个状态码表示服务器拒绝了用户请求，搜索引擎会终止此次爬取行为，并跳过此页面。
抓取策略：那些网页是我们需要去下载的，那些是无需下载的，那些网页是我们优先下载的，定义清楚之后，能节省很多无谓的爬取。更新策略：监控列表页来发现新的页面；定期check 页面是否过期等等。抽取策略：我们应该如何的从网页中抽取我们想要的内容，不仅仅包含最终的目标内容，还有下一步要抓取的url.抓取频率：我们需要合理的去下载一个网站，却又不失效率。让我对“如何和爬虫对话 ”这个课题有了一些思考，下面归
上周百度站长平台接到某站长求助，表示误封禁了Baiduspider的IP，询问是否有办法获得Baiduspider的所有IP，打算放入白名单加以保护，防止再次误封。在此要告诉各位站长，Baiduspider的IP池是不断变动的，我们无法提供IP全集。除此之外，之前还有站长发来质疑说Baiduspider光顾过于频繁，已超越服务器承受能力。而百度站长平台追查发现，Baiduspider对该站点的抓取
HTTP状态码：是服务器和客户端之间交流信息的语言。访问除了用户以外还有蜘蛛，用户通过浏览器访问的话会生成网站日志，蜘蛛在爬取网站的时候也会生成网站日志。举个例子：“200”这个HTTP状态码代表的是，“你的请求，已经成功发送”。 如果客户端向服务器发送一个链接，服务器返回“200”。 说明服务器正常返回了客户端需要的信息。HTTP状态码有什么用？HTTP状态码是Web Server服务器用来告诉
通过HTTP状态代码通通透透看搜索引擎怎么Crawl你的站。下面的表格是所有 HTTP 状态代码及其定义。代码指示2xx成功200正常；请求已完成。201正常；紧接 POST 命令。202正常；已接受用于处理，但处理尚未完成。203正常；部分信息 — 返回的信息只是一部分。204正常；无响应 — 已接收请求，但不存在要回送的信息。3xx重定向301已移动 — 请求的数据具有新的位置且更改是永久的。
