白杨SEO：爬虫是什么？白话说说SEO好朋友「爬虫」，你真的了解吗？
发布时间：2022-04-02 17:50:54 编辑：admin 浏览:1663
前言：这是白杨SEO公众号原创第357篇。为什么想到写这个？今天周末，我觉得做为SEO新人应该要了解一下，虽然你以后也不是要干什么技术行业，可能会对你更好理解搜索引擎和一些技术童靴的工作。
图片本文大纲：
1、爬虫是什么？反爬虫又是什么？
2、爬虫有哪些分类？
3、爬中流程与搜索引擎工作流程
4、http/https协议与状态码
5、robots协议
爬虫是什么？反爬虫又是什么？
这里的爬虫不是我们生活中的爬虫，如蜘蛛。这里的爬虫更多指的是网络爬虫，即我们叫它网页蜘蛛或网络机器人。当然，在SEO里，叫网页蜘蛛更多。
网络爬虫，是一种按照一定规则，自动地抓取互联网上的信息的一种程序。他有一个英文名叫spider，比如百度网页蜘蛛就叫baiduspider，那搜狗的就叫Sogou spider。
这也是我们SEO人员做网站优化排名会听说的一个词。网站为啥没收录呢？原来蜘蛛没来抓取！如何看这个爬虫蜘蛛朋友来没来呢，让技术把网站日志下载给我们，我们就可以判断了，你说算不算好朋友？
百度爬虫是什么？Baiduspider是啥？
Baiduspider是百度搜索引擎的一个自动程序，它的作用是访问互联网上的网页，建立索引数据库，使用户能在百度搜索引擎中搜索到网站上的网页。百度还有哪些蜘蛛呢？如下图。最多是圈中这个，记得哈~
图片反爬虫是什么？
我们以门户网站举例，企业网站也同理哈。门户网站通过相应的策略和技术手段，防止爬虫程序进行网站数据的爬取，这就叫反爬虫。
当然，其实还有反反爬虫，即爬虫程序通过相应的策略和技术手段，破解了门户网站的反爬虫手段，从而爬取到相应的数据，这就叫反反爬虫。
再白话举例：你要来采集我的内容（爬虫），我不给你采并且我做防采集（反爬虫）。你呢，又搞了更高技术把我防采集攻破了采集（反反爬虫），这样理解了吧？
爬虫有哪些分类？
爬虫总共就分两类：通用爬虫与聚焦爬虫。
通用爬虫：简单说就是尽可能的把网上的所有的网页下载下来，放到服务器里再对这些网页做相关处理，最后给用户搜索用，通常指的搜索引擎爬虫。比如：谷歌爬虫、百度爬虫、搜狗爬虫、360爬虫等。
聚焦爬虫：它是根据指定的需求抓取网络上指定网站的数据。比如：获取知乎问答上的某一问题的浏览量和回答人数，而不是获取整个页面中所有数据。它也可以理解叫特定爬虫。
上面提到的反爬虫与反反爬虫，基本上都是在反这种聚焦爬虫哈，你也可以理解为爬虫攻防战哈哈哈。
爬中流程与搜索引擎工作流程
爬虫一般工作流程：确定某个URL——发送请求——响应内容——提取数据——保存数据。
搜索引擎蜘蛛工作流程：爬取网页——存储数据——数据预处理——提供用户搜索网页排名。
是不是感觉难理解？发送请求是什么，响应内容又是什么？这个往下看HTTP协议与状态看完你就懂了。
关于搜索引擎数据预处理在处理什么，怎么理解？看公众号白杨SEO两年前写过这篇《白杨SEO：大白话告诉你理解搜索引擎工作原理的意义和运用》，看完你就懂了。
http/https协议与状态码
HTTP协议是指Hyper Text Transfer Protocol（超文本传输协议）的缩写,是用于从万维网 WWW（World Wide Web缩写）服务器传输超文本到本地浏览器的传送协议。默认端口号：80。
而HTTPS (Secure Hypertext Transfer Protocol)安全超文本传输协议指的是HTTPS是在HTTP上建立SSL加密层，并对传输数据进行加密，是HTTP协议的安全版。默认端口号：443。
你是不是理解不了这个HTTP到底什么东东？简单白话来说这个就是用来传输和接收页面的，保证你的电脑能快速传输文本文档并且让你看到哈。
至于HTTP的请求头，响应头，都是各种代码，白杨SEO就不在这里写了，如果你要真的想了解，自己去搜索，这里只讲一下我们SEO中会看到的HTTP请求响应状态码，一般状态码如下：
图片上面只要是2或者3开头都是好的，比如查白杨SEO博客的：
图片
图片输入http://www.baiyangseo.com返回是301，而输入https://www.baiyangseo.com 返回的是200正常的你知道为什么吗？
其实，这在SEO里来说，是因为两个不同URL内容是一模一样，为了让搜索引擎避免认为作弊，所以做了301永久重定向。简单理解，你用不带s的HTTP那个域名打开就是这个带的了哈。
关于这个状态码，如果你想学习了解更深入一点，同样可以白杨SEO公众号上这篇：《白杨SEO：SEO入门学习之搜索引擎蜘蛛与网站HTTP状态码》
robots协议
最后，来到针对搜索引擎网页蜘蛛robots协议了。这个如果你是学SEO的，肯定要学的。
robots协议是什么？简单理解就是网站通过Robots协议告诉搜索引擎，网站上哪些页面可以抓取，那些页面不能抓取！但是，它仅仅是互联网中的一种约定而已。所以有些人说我明明禁止XXX蜘蛛还是被抓取了哈哈哈。
它长啥样？到底有什么用？
图片长啥样，如上图，作用就是上面说的，在SEO里就是告诉蜘蛛来爬我这里，一般每个站都会做这个，因为蜘蛛首先要爬取一个页面这个地方是最先爬取的，也会反复爬取。
不要问我为啥要给蜘蛛爬取，你做一个网站目的是啥，不就是要让蜘蛛爬取然后用户搜索的时候看到你带来流量吗？当然，你说我做网站只是用来存储我自己看除外哈哈哈。
作者简介：
白杨SEO，专注SEO研究十年，SEO、流量实战派，对互联网精准流量有深入研究。个人微信：baiyang2047
相关推荐：
白杨SEO：不是技术的技术文，关于网站性能优化与网站日志分析
白杨SEO：不是技术的技术文2，关于转https好处以及如何做？
白杨SEO：新人学习SEO常遇到的15个SEO术语，建议收藏
白杨SEO：小白如何制作sitemap.xml和html网站地图?【实操】
白杨SEO：工具推荐第四期——Xenu死链接检测工具使用与下载
你不知道的20种黑帽seo技术大揭秘！附黑客专业术语！
白杨SEO：对不起，我错了！更正一件事。
关键字词：SEO爬虫，蜘蛛
