百度揭秘百度爬虫对常用的http返回码是怎么处理的?

百度爬虫对常用的http返回码的处理逻辑?百度爬虫在进行抓取和处理时,是根据http协议规范来设置相应的逻辑的,因此,如果网站/页面发生一些特别状况或者网站某类页面集存在特殊性的时候,我们必须知道如何处理才能更符合百度爬虫,以避免错误的举措给西安网站优化带来不必要的风险。在http状态码使用方面做了说明,主要涉及到常见的301、404、403、503状态码的处理建议,非常实用,结合这些知识以及以往遇到的实际情况我会做一点补充应用说明。

503返回码的含义是“Service Unavailable”,百度会认为该网页临时不可访问,通常网站临时关闭,带宽有限等会产生这种情况。对于网页返回503,百度爬虫不会把这 条url直接删除,短期内会再访问。届时如果网页已恢复,则正常抓取;如果继续返回503,短期内还会反复访问几次。但是如果网页长期返回503,那么这 个url仍会被百度认为是失效链接,从搜索结果中删除。


403返回码的含义是“Forbidden”,百度会认为网页当前禁止访问。对于这种情况,如果是新发现的url,百度爬虫暂不会抓取,短期内会 再次检查;如果是百度已收录url,当前也不会直接删除,短期内同样会再访问。届时如果网页允许访问,则正常抓取;如果仍不允许访问,短期内还会反复访问 几次。但是如果网页长期返回403,百度也会认为是失效链接,从搜索结果中删除。

404返回码的含义是“NOT FOUND”,百度会认为网页已经失效,那么通常会从搜索结果中删除,并且短期内爬虫再次发现这条url也不会抓取。

301返回码的含义是“Moved Permanently”,百度会认为网页当前跳转至新url。当遇到站点迁移,域名更换、站点改版的情况时,推荐使用301返回码,尽量减少改版带来的 流量损失。虽然百度爬虫现在对301跳转的响应周期较长,但我们还是推荐大家这么做。


西安弈聪对于某些常见情况的使用建议:

如果百度爬虫对您的站点抓取压力过大,请尽量不要使用404,同样建议返回503。这样百度爬虫会过段时间再来尝试抓取这个链接,如果那个时间站点空闲,那它就会被成功抓取了。

有一些网站希望百度只收录部分内容,例如审核后的内容,累积一段时间的新用户页等等。在这种情况,建议新发内容暂时返回403,等审核或做好处理之后,再返回正常状态的返回码。

站点迁移,或域名更换时,请使用301返回码。

如果站点临时关闭,当网页不能打开时,不要立即返回404,建议使用503状态。503可以告知百度爬虫该页面临时不可访问,请过段时间再重试。

陕西弈聪软件信息技术股份有限公司
电话:13679229477    02989322522
陕西省西安航天基地神州四路科为城墅20栋4301