仟亿科技SEO优化今天主要是跟大家分享一下搜索引擎的工作第一个环节的知识：互联网之爬虫。我们先来看一下它的定义：网络爬虫(又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者)，是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
从以上的定义来看，百度蜘蛛，谷歌机器人都属于爬虫的一种，而爬虫主要是按照一定的规则，自动抓取信息的脚本或者程序，这个不难理解，有经验的程序员都能够独立的编写出来一套比较完整的蜘蛛程序，用来收集网络信息，充实自己的网站。其实很多的信息采集软件也是采用了这种技术。
那么我们在来看一下蜘蛛到底进行的什么工作：
每一种类型的资源，都有相应的蜘蛛爬虫来搜集，当然解析的方式也各不相同。我们经常能够在网站的日志中看到百度的spider和image-spider，不同的爬虫利用其自身的规则来对其页面进行解析。即使是这样， 我们也能够看到爬虫在爬去页面的时候还是有一定的规律性的，这种规律性则是来自于搜索引擎效率最大化的取舍
宽度优先遍历原则：这个原则是从网站自身做起的，根据网站的层级来抓取。因为我们在做网站的时候都有一个优先的考虑，比如我第一个想让搜索引擎看到的就是首页，其次的各个目录页面，再其次就是内容页面，蜘蛛也是利用这一点来抓取。
非完全pagerank排序：这个原则就是利用谷歌的pr值来计算的。因为每一个网页在谷歌中都会有一个评分，根绝这些评分高低来抓取。如果完全计算就比较耗费计算资源，所以它就采用高pr值的网页传递出来的链接肯定都是可靠的。
OPIC(online page importance computation在线页面重要性计算)：这一个原则跟pr值计算相差无几，在采集的网页中来计算每一个网页的重要性，然后在进行优先抓取。
大站优先策略：这个毋庸置疑了。因为大战比较符合信赖的原则。
其实我们可以看到，这种原则其实是对抓取的有限性和网页的无限性的一个折中，即在有限的时间内抓取网络中更为重要的页面和资源。当然我们也需要去了解网络爬虫工作的原理，这样的话更有利于我们去做SEO优化、
通过传统百度Spider检查死链的方法不仅会浪费大量的服务器资源，同时已经被百度索引的网页被管理员删除后，百度得不到及时的反馈，这样百度服务器就会存储大量互联网上已经不存在的网页，也会造成百度浪费大量服务器资源及搜索用户体验下降的情况。
既然死链对网站有如此多的影响，我们应该针对这些问题做哪些处理呢?百度站长平台推出了死链工具，可以达到既提升网站用户体验，减少资源浪费，又帮百度及时清理无效的网页作用。同时，当站长希望快速删除某些隐私或者重要页面的百度快照时，也可以将其HTTP状态码设置为404，然后通过死链工具推送给百度，以实现快速处理死链。
细心的朋友可能会有些疑问，如果提交的死链和网站地图中的URL有冲突会不会对网站有什么影响?
正常的网站运营过程中，一般都会及时的把网站新增的URL写入到Sitemap中，但有时会因特殊情况不得不删除一些网页，根据百度的建议大家也会把这些删除的URL制作成死链文件提交给百度。由于单独把一部分URL从大量的Sitemap中删除是比较困难的也比较繁琐，此时就有了一个问题，有部分已经删除页面的URL同时存在于Sitemap和死链文件中。可能会有一些朋友和笔者一样担心这种情况会不会对网站有不良影响。根据百度相关说明是死链文件的优先级要高于Sitemap，只要URL存在死链文件中，百度在Sitemap中发现该URL也不会再抓取了，因此这种情况并不会对网站造成不良影响。虽然如此，不过为了有效利用百度站长平台给出的Sitemap提交数量的空间，在不太过多好肥资源和精力的情况下，应该及时的清理掉Sitemap中已经删除页面的URL。
