如何規(guī)劃好網(wǎng)站的URL

在開始講這些問題之前，需要先閱讀完以下文檔：  

• 《優(yōu)化網(wǎng)站的抓取與收錄》 http://www.google.cn/ggblog/googlewebmaster-cn/2009/08/blog-post.html
• 《谷歌搜索引擎入門指南》第7頁到11頁。 
• 《創(chuàng)建方便 Google 處理的網(wǎng)址結(jié)構(gòu)》http://www.google.com/support/webmasters/bin/answer.py?hl=cn&answer=76329

這些都是google官方的文檔，講述了各種各樣的規(guī)則。這些對百度也是同樣適用的，因為它是針對爬蟲的特性提出來的，并不是只有某個搜索引擎才適用。  

看完上面的那些這些規(guī)則，發(fā)現(xiàn)翻來覆去講得都是怎么讓爬蟲能非常順暢的抓取完整個網(wǎng)站。其實絕大部分網(wǎng)站都存在這樣或那樣的問題的，也包括我這個博客，在抓取方面也存在一些問題。但是看在每篇博文都能被收錄的情況下，也就不去優(yōu)化了。但是對于很多收錄還成問題的網(wǎng)站（特別是大中型網(wǎng)站）來說，就要好好規(guī)劃一下了。大家可以用HTTrack抓取semyj這個博客看看，就能發(fā)現(xiàn)為什么我這么說了。（誰能一天之內(nèi)抓取完這個博客的人請告訴我。）  

還是先從搜索引擎的處境講起吧。正如Google在文章中寫道的那樣：  

網(wǎng)絡(luò)世界極其龐大；每時每刻都在產(chǎn)生新的內(nèi)容。Google 本身的資源是有限的，當(dāng)面對幾近無窮無盡的網(wǎng)絡(luò)內(nèi)容的時候，Googlebot 只能找到和抓取其中一定比例的內(nèi)容。然后，在我們已經(jīng)抓取到的內(nèi)容中，我們也只能索引其中的一部分。
URLs 就像網(wǎng)站和搜索引擎抓取工具之間的橋梁: 為了能夠抓取到您網(wǎng)站的內(nèi)容，抓取工具需要能夠找到并跨越這些橋梁(也就是找到并抓取您的URLs)。  

這段話很好的總結(jié)了搜索引擎所面臨的處境，那么爬蟲在處理URL的時候會遇到哪些問題呢？

我們先來看重復(fù)URL的問題，這里說的重復(fù)URL是指同一個網(wǎng)站內(nèi)的不同頁面，都存在很多完全相同的URL。如：  

http://www.semyj.com/archives/1097  和 http://www.semyj.com/archives/1114 這兩個頁面。  

模板部分的URL是一樣的

雖然頁面不同，但是他們公用的部分，URL地址是一樣的�？雌饋砣绻煌呐老x抓取到這些頁面的時候，會重復(fù)抓取，從而浪費(fèi)很多不必要的時間。 這確實是一個問題，不過這個問題搜索引擎倒是基本解決好了。實際上，爬蟲的抓取模式不是像我們理解的那樣看到一個網(wǎng)頁就開始抓取一個網(wǎng)頁的。  

爬蟲順著一個個的URL在互聯(lián)網(wǎng)上抓取網(wǎng)頁，它一邊下載這個網(wǎng)頁，一邊在提取這個網(wǎng)頁中的鏈接。假設(shè)從搜索引擎某一個節(jié)點出來的爬蟲有爬蟲A、爬蟲B、爬蟲C，當(dāng)它們到達(dá)semyj這個網(wǎng)站的時候，每個爬蟲都會抓取到很多URL，然后他們都會把那個頁面上所有的鏈接都放在一個公用的“待抓取列表”里。（可以用lynx在線版模擬一下爬蟲提取鏈接。）  

待抓取列表

這樣一來，在“待抓取列表”里，那些重復(fù)的URL就可以被去重了。這是一個節(jié)點在一種理想狀態(tài)下的情況，不過實際上因為搜索引擎以后還要更新這個網(wǎng)頁等等一些原因，一個網(wǎng)站每天還是有很多重復(fù)抓取。所以在以前的文章中，我告訴大家用一些方法減少重復(fù)抓取的幾率。  

這里有一個問題，很多人肯定想問是不是一個網(wǎng)頁上所有的鏈接搜索引擎都會提取的，答案是肯定的。但是在《google網(wǎng)站質(zhì)量指南》中，有這樣一句：“如果站點地圖上的鏈接超過 100 個，則需要將站點地圖拆分為多個網(wǎng)頁。”有些人把這句話理解為：“爬蟲只能抓取前100個鏈接”，這是不對的。  

因為在“待抓取列表”里的URL，爬蟲并不會每一個鏈接都會抓取的。 鏈接放在這個列表里是沒問題的，但是爬蟲沒有那么多時間也沒必要每個鏈接都要去抓取，需要有一定的優(yōu)先級。在“待訪問列表”里，爬蟲一邊按照優(yōu)先級抓取一部分的URL，一邊把還未被抓取的URL記錄下來等待下次抓取，只是這些還未被抓取的URL，下次爬蟲來訪問的頻率就每個網(wǎng)站都不一樣了， 每一類URL被訪問的頻率也不一樣。  

按優(yōu)先級抓取

那么在“待抓取列表”里的URL，哪些是能被優(yōu)先抓取，哪些是被次要抓取的呢？  

我們稍微思考一下都能明白這個抓取的優(yōu)先級策略應(yīng)該怎么定。首先，那些目錄層級比較深的URL是次要抓取的；那些在模板部分的或重復(fù)率非常高的URL是被次要抓取的；那些動態(tài)參數(shù)多的URL是次要抓取的…..  

這么做的原因，就是因為搜索引擎的資源是有限的，一個網(wǎng)站實際擁有的內(nèi)容也是有限的，但是URL數(shù)量是無限的。爬蟲需要一些“蛛絲馬跡”來確定哪些值得優(yōu)先抓取，哪些不值得。  

在《谷歌搜索引擎入門指南》中，google建議要優(yōu)化好網(wǎng)站的URL結(jié)構(gòu)，如建議不要用“…/dir1/dir2/dir3/dir4/dir5/dir6/page.html”這樣的多層嵌套。就是因為在待抓取列表里，在其他條件相同的情況下，爬蟲會優(yōu)先抓取目錄層級淺的URL。如用Lynx在線版查看本網(wǎng)站的頁面：

抓取優(yōu)先級

如果說，在這17個鏈接里，爬蟲只能選幾個鏈接抓取的話，紅色箭頭所指的鏈接在其他條件相同的情況下是要優(yōu)先的。

但是這里又有一個誤區(qū)，有人在SEO過程中，把所有的網(wǎng)頁都建立在根目錄下，以為這樣能有排名的優(yōu)勢。這樣也是沒有理解這個原因。而且爬蟲在這個網(wǎng)站上先抓取哪些URL后抓取哪些URL，都是自己的URL和自己的URL比，如果所有網(wǎng)頁都是在同一個目錄下，那就沒有區(qū)別了。

最好的規(guī)劃URL目錄層級的方式，就是按照業(yè)務(wù)方的邏輯來規(guī)劃，從內(nèi)容上應(yīng)該是什么從屬關(guān)系就怎么規(guī)劃URL就是。就像《谷歌搜索引擎入門指南》中舉的那些例子一樣。

（順帶說一下。我經(jīng)�？吹�，一個網(wǎng)站中，很多人非SEO的人員，如工程師和網(wǎng)頁設(shè)計人員或者網(wǎng)站編輯，都以為SEO和他們做的事情是相反的。這都是因為長期以來一些SEOer經(jīng)常提交很多明顯違反用戶體驗的SEO需求給他們，造成他們以為SEO就是和他們做的事情是有沖突的。實際上，SEO和別的部門有非常少的沖突，只要你能用科學(xué)的方法去實踐，就能發(fā)現(xiàn)以前有太多誤導(dǎo)人的觀點了。還有，對于其他部門的專業(yè)人員，他們專業(yè)領(lǐng)域的意見非常值得去考慮。）

爬蟲有一個特點，就是它不能實時的比較它正在抓取的內(nèi)容是不是重復(fù)的內(nèi)容。因為如果要做到實時的比較，那它至少要把正在抓取的頁面和那些已經(jīng)在索引庫的頁面做對比，這是不可能短時間內(nèi)可以完成的。 前面把所有URL統(tǒng)一放到一個待抓取列表中的方法只能避免那種URL完全一模一樣的重復(fù)抓取，但是無法應(yīng)對URL不一樣、但是內(nèi)容一樣的抓取。  

正如所有搜索引擎都強(qiáng)調(diào)的那樣，動態(tài)參數(shù)是一個經(jīng)常產(chǎn)生URL不一樣、但是內(nèi)容一樣的現(xiàn)象的原因。所以搜索引擎建議大家用靜態(tài)化的方法去掉那些參數(shù)。靜態(tài)化的本質(zhì)是URL唯一化，在《優(yōu)化網(wǎng)站的抓取與收錄》這篇文章中，曾經(jīng)用的“一人一票”這個描述就很貼切的表達(dá)了這個意思。靜態(tài)化只是一個手段而不是目的，為了保證URL的唯一化，可以把URL靜態(tài)化、也可以用robots.txt或nofollow屏蔽動態(tài)內(nèi)容、可以用rel=canonical屬性、還可以在webmaster tool里屏蔽一些參數(shù)等等。  

而靜態(tài)化也會有好的靜態(tài)化和不好的靜態(tài)化之別。我們這里不說那種把多個參數(shù)直接靜態(tài)化了的案例，而是單純來看看如下兩個URL： 

http://www.semyj.com/archives/1097和 http://www.semyj.com?p=1097  

這兩個URL中，這個靜態(tài)化的是不是就比動態(tài)的好呢？ 實際上這兩個URL的差別很小。首先這兩種URL搜索引擎都能收錄，如果說動態(tài)URL“?p=1097”可能產(chǎn)生大量重復(fù)的內(nèi)容讓爬蟲抓取，那這個靜態(tài)的URL“archives/1097”也不能保證不會產(chǎn)生大量重復(fù)的內(nèi)容。特別是爬蟲在抓取時碰到大量有ID的靜態(tài)的URL時，爬蟲無法判斷這個網(wǎng)站是不是把session ID等參數(shù)靜態(tài)化了才造成的，還是這個網(wǎng)站本來就有這么多內(nèi)容。 所以更好的靜態(tài)化是這樣的： 

http://www.semyj.com/archives/seo-jingli 

這種URL就能保證唯一化而不會和其他情況混淆了，所以URL中要盡量用有意義的字符。這不是因為要在URL增加關(guān)鍵詞密度而這么做的，是為了方便搜索引擎抓取。 

以上是因為爬蟲固有的特點造成的抓取障礙，而有時網(wǎng)站的結(jié)構(gòu)也能造成爬蟲的抓取障礙。這種結(jié)構(gòu)在《優(yōu)化網(wǎng)站的抓取與收錄》一文中用的名字是“無限空間”。文中舉了一個日歷的例子：如很多博客上都會有一個日歷，順著這個日歷的日期一直往下點，永遠(yuǎn)都有鏈接供你點擊的，因為時間是無限的。 

其實還有更多的“無限空間”的例子，只是“無限空間”這個名詞沒怎么翻譯好，翻譯做“無限循環(huán)”就容易理解多了。

服務(wù)器租用/服務(wù)器托管中國五強(qiáng)！虛擬主機(jī)域名注冊頂級提供商！15年品質(zhì)保障！--億恩科技[ENKJ.COM]