Baiduspider抓取建库篇——VIP大讲堂（上海站）QA集锦

首先，小编要对各位站长朋友说声抱歉，VIP大讲堂上海站已经过去N久，QA内容今天才发布出来。各位站长参加VIP大讲堂，除了聆听官方声音外，更重要的是可以与百度专家进行面对面的沟通。VIP大讲堂上海站请出了百度spider专家孙权，这是他第一次走出来与站长进行培训交流，课程中抖出干货无数，各位无法参与现场培训的站长除了申请观看培训现场视频外，还可以通过QA记录看看自己心中的疑问是否已被解答。　　由于现场QA环节火爆热烈内容超多，故本次仅放出spider抓取建库部分，其它内容请静待下期。　　问：为什么收录量像坐过山车一样的，还有为什么有些网页今天在明天就没了？　　答：百度会周期建库，且每个库的收录量是恒定的，你老是有新增，肯定会再从库里淘汰一些，反正总是保持那个库是满的。在建库的过程中，你会感觉有波动。具体的怎么筛，哪个页面会留下哪个页面会淘汰，这个策略是有很多的，他随着时间的变化，收录的标准策略也是在发生微调。　　问：我们站点使用CDN加速会不会比较容易造成蜘蛛无法抓取？因为有时候修改掉他绑定的什么东西。　　答：如果要修改掉一定要通知到上一级，现在不存在这个问题，现在你如果修改掉也可以解析掉，之前可能会存在这个问题。　　问：你们百度自己也有一个CDN加速，对抓录排名有没有影响？　　答：在使用CDN加速这个问题上，我们对所有站点一视同仁。但我建议你使用技术能力强的CDN服务商，保证站点的稳定和速度，百度会更喜欢。　　问：刚才您说IP上的站点数不能太多，那CDN这种情况怎么办？　　答：CDN的情况另说，如果我们识别出来是CDN的话不会受站点数量的影响，如果你是提供独立IP的话会有这样一些问题。　　问：还是IP上站点数量的问题，如果是主域跟二级域名呢？也受数量限制？　　答：我说的是独立域名。当然质量比较好的二级域名也可以认为是独立域名　　问：多个域名，他有相同的一些内容，怎么建库？　　答：如果是多域名在同一个主域下面有相同内容的话，不可能所有都建库，而且被建库的那个可能不是你希望的那个，所以尽量不要有相同的内容。　　问：刚才讲的IP如果是多域名的话，好几百个IP域名，现在我们也用了CDN，按照刚才的说法，单个IP最多抓多少？1000万是说对站点还是对IP？　　答：对IP，但1000万是我举例，不是实际的数据，这个数据不会分享出来的　　问：现在我的网站被很多蜘蛛爬，我想只让百度蜘蛛爬，百度蜘蛛IP多少？能设白名单么？　　答：百度蜘蛛IP是不断变的，现在网上的确有一些白名单的说法，暂时是有效的，但不保证今后不会变，所以建议站点还是通过ua进行判断，我们百度站长平台上有相关的文章，你可以找一下。　　问：如果我写robots只想禁掉动态链接的话，会不会影响动态参数前面正常链接的抓取？　　答：不会的，你原来的页面还在，肯定会抓。　　问：比如我们一个域名www.abcde.com，我们想把带？号的url全部禁掉，首页我们不要禁掉，怎么弄？　　答：?前面有个*，后面再有个*就可以了。　　问：我想了解，如果我现在收录有5万，大概多长时间才能把我原来收录5万重新抓取一遍？　　答：不同站点不好说，一个是你站点做的很好，知名度很响更新很快质量很好就会快；如果你的站点默默无闻，贡献很少，可能就会很慢。　　（接上个问题）　　问：就是差不多的情况，大概。　　答：这个没有人能估出来。　　问：百度站长平台上有数据提交的工具，我们实时提交，你们也会实时抓取吗？　　答：不会，他会有一层判断。现在只是通知你提交成功，后面什么时候抓，什么时候建库没有，我们正在研究要不要把这个分享出来。　　问：我网站有一些列表页，都没有链接，担心百度抓不到　　答：现在百度站长平台的站内搜索工具有一个绿色收录通道，在那里提交种子页，我们就知道的。　　（接上个问题）　　问：提交种子页面必须要用站搜？　　答：是的。　　问：如果说页面里url特别多的话，蜘蛛会不会有选择性的进行抓取？　　答：不会，他都会一个不漏给你提出来，但会把JS、CSS这样的链接给过滤掉。但请注意，全部抓取过来之后会进行筛选，并不是所有都会建库。　　问：现在很多网站都有自己的站内搜索，都会产生站内搜索结果页，百度不喜欢搜索结果页的话，我们用这个会不会对我们有影响？只是不喜欢还是对我们网站会有惩罚　　答：蜘蛛会去抓，抓完之后重要是提取里面的链接。如果只有一两条这样的页面质量不好问题不大，如果整体质量较差，有可能受到惩罚。　　问：新出的时效性文章当时没有被收录，后期是否还会被收录？　　答：会　　问：站点每天最高爬虫多少次？　　答：这个其实说不好，有的站点我们一天会抓一两千万，有的站点只抓几个、几十个，看你的规模和质量，而且这个抓取量也是会根据网站的情况进行调整的。　　作者：百度站长平台