百度蜘蛛的代码分析与饲养技巧

遇见风角

先说明哈，不是我写的，是网上收集再整理的，有撒不正确的下面的跟。
如果用虚拟主机的朋友，可以FTP的你的空间上找到logfiles文件夹，下面的.log文件就是IIS日志了

研究se爬行规律对于网站优化意义重大，特别是对百度蜘蛛Baiduspider的研究。解释一下百度蜘蛛爬行后返回代码代表的具体含义：
2xx 成功
200 正常;请求已完成。
201 正常;紧接 POST 命令。
202 正常;已接受用于处理，但处理尚未完成。
203 正常;部分信息 — 返回的信息只是一部分。
204 正常;无响应 — 已接收请求，但不存在要回送的信息。
3xx 重定向
301 已移动 — 请求的数据具有新的位置且更改是永久的。
302 已找到 — 请求的数据临时具有不同 URI。
303 请参阅其它 — 可在另一 URI 下找到对请求的响应，且应使用 GET 方法检索此响应。
304 未修改 — 未按预期修改文档。
305 使用代理 — 必须通过位置字段中提供的代理来访问请求的资源。
306 未使用 — 不再使用;保留此代码以便将来使用。
4xx 客户机中出现的错误
400 错误请求 — 请求中有语法问题，或不能满足请求。
401 未授权 — 未授权客户机访问数据。
402 需要付款 — 表示计费系统已有效。
403 禁止 — 即使有授权也不需要访问。
404 找不到 — 服务器找不到给定的资源;文档不存在。
407 代理认证请求 — 客户机首先必须使用代理认证自身。
410 请求的网页不存在(永久);
415 介质类型不受支持 — 服务器拒绝服务请求，因为不支持请求实体的格式。
5xx 服务器中出现的错误
500 内部错误 — 因为意外情况，服务器不能完成请求。
501 未执行 — 服务器不支持请求的工具。
502 错误网关 — 服务器接收到来自上游服务器的无效响应。
503 无法获得服务 — 由于临时过载或维护，服务器无法处理请求。
比如说：
2008-03-27 04:25:32 61.135.145.208 - *.*.*.* 80 GET 。。/index.html - 304 Baiduspider+(+baidu/search/spider.htm)
这就意味着百度蜘蛛在2008-03-27 04:25:32 爬过/index.html这一页，304代表了它发现这页是没有更新过的。根据这个我们可以多查看iis日志，研究蜘蛛爬行的路径，找出自己网站存在的问题，进而改正。

返回的http状态诸如200 0 64分析说明

在百度研究院的论坛里看到一位版主有这样的一段解释：
蜘蛛在IIS里的行为200 0 64 的解释：
根据我前段时间到现在的观察，虽然没有足够的证据，但是基本上可以肯定在IIS中，如果蜘蛛后面的号码出现200 0 64，那么网站中的这个单页面就会在搜索引擎中消失了.我被K的页面后面都写着200 0 64 ,不知道大家是否认同，还有其他看法，当然，我说这个不够绝对,因为我也有一个页面后面显示着200 0 64 但是在搜索引擎中依旧可以找到.这也说明着问题，但大多200 0 64行为的网页就已经没有了.

所以我觉得蜘蛛的200 0 64行为可以被解释为清除数据。

这个解释，目前看 上去还是有可信度的。我认为，抓取状态成200 0 64是不正常的抓取，正常的抓取是成功标志200 0 0，当变成了200 0 64的状态时说明搜索引擎在抓取这个页面的时候出现了错误，没有正常的进行常规抓取；对于百度来说，百度很可能是已经不再把这些页面抓进主索引库，而是放 进了“百度沙盒”里进行考察，考察多久，就看你如何改进，也许，你看不到百度把这些被K的网站释放出来的时候，人是没有规律的。
正好，flymorn也有被百度K的网站，打开这个网站的IIS日志（.log后缀，如ex080222.log），果不其然，也发现了百度返回200 0 64的状态：

2008-02-22 07:14:37 W3SVC78302822 58.17.36.91 GET /article/1/79.html - 80 - 61.135.163.102 Baiduspider+(+baidu/search/spider.htm) 200 0 64
2008-02-22 07:18:07 W3SVC78302822 58.17.36.91 GET /article/1/11.html - 80 - 61.135.163.102 Baiduspider+(+baidu/search/spider.htm) 200 0 64

对于已经被百度拔毛的网站来说，如果你还在乎百度，那就赶紧改正网站上的一切作弊的地方，消除过度优化，消除恶意链接，等待百度再次光临，一般来说，这需要2-3个月的时间，还是认真做站，先想着用户为好。

还有什么好东东，一起跟来吧，免得到处找，一个帖子看完。哈哈

成都九龙1

一般我们可以查询到蜘蛛来光顾我们网站的时间，然后按时更新