上周為站長朋友們獻出了VIP大講堂上海站中關(guān)于SPIDER抓取建庫方面的QA內(nèi)容，本周繼續(xù)將解析方面的QA內(nèi)容奉上。
問：我們的頁面本身就很大，會不會解析不出來？
答：頁面本身很大倒沒問題，趕集、安居客這些量都很大，沒有問題。我剛才說的例子，你每次都follow出來新鏈接，隨機把后面的參數(shù)去掉都不影響這個網(wǎng)頁的正常訪問，這種肯定有問題的。
問：剛才說對URL的長度有要求，那對每一段、就是目錄名的長度有沒有要求
答：沒有要求，我們是要求url從www開始到結(jié)束，總長度不超過1024個字節(jié)。
問：站內(nèi)重復內(nèi)容是怎么判斷的？文本內(nèi)容一樣結(jié)構(gòu)不一樣，算不算重復？
答：算重復
問：假設(shè)是整個頁面全是Flash，如果我把一些欄目或者最新的內(nèi)容隱藏掉，不影響美觀隱藏掉，如果用hidden屬性能不能提取出來？CSS可不可以？
答：hidden可以提出來，但如果是注釋就不會管。CSS不可以。
問：頁面大小不超過1兆，是指頁面壓縮以前還是以后。
答：指頁面壓縮以后，不要超過1兆
問：我網(wǎng)站的信息已經(jīng)過時了，但網(wǎng)頁返回的是200，會受懲罰？為什么呀？
答：用戶在搜索結(jié)果里點了你的結(jié)果，導流導到你的網(wǎng)站，但沒什么可看的，對用戶沒有用，百度當然不喜歡。
問：現(xiàn)在我們很多網(wǎng)站，為了讓用戶覺得有意思，內(nèi)容沒了就放一張圖片，寫一些有意思的話，什么“工程師去哪啦”之類的，對百度友好不？
答：最好不要用，我知道站點是想讓百度當內(nèi)容死鏈來識別，但內(nèi)容死鏈識別起來是有準確率和召回率風險的。
問：我們團購網(wǎng)站的確會有過期團購的頁面，會受懲罰嗎
答：如果量特別大、點擊量很大的話肯定會有懲罰的。有些可以當內(nèi)容死鏈被分析出來，如果分析不出來，會被一些其他的策略挖出來，會有這樣的問題。
問：剛才說資訊內(nèi)容頁面，上面有個發(fā)布時間好，那如果頁面上沒有時間呢？
答：那我們往往是按當時抓取的時間來做判定。
問：評論里面時間重要嗎。
答：百度更重視主體內(nèi)容的時間，評論不算主體內(nèi)容。
問：我們是個平臺，很多產(chǎn)品其實只是一個型號變更了，其實顏色都是一模一樣的，對蜘蛛而言僅僅只是幾個字符，會被識別為重復嗎
答：如果是一個產(chǎn)品的結(jié)構(gòu)化信息的話，應該不會被認為是重復。如果你是簡單內(nèi)容摘要的方式進行介紹的話，可能會存在重復問題。
問：靜態(tài)URL和動態(tài)URL區(qū)別大嗎？
答：不大，我們現(xiàn)在認為靜態(tài)和動態(tài)都一樣的，因為從url上面他能夠識別出來，但是抓取回來的東西不太一樣。所以現(xiàn)在認為無論你是靜態(tài)還是動態(tài)，我們都認為同樣都是url來對待。
轉(zhuǎn)載請保留原文地址: http://hlqj168.cn/show-363.html