搜索引擎的工作原理和基础算法，要学会去运用

时间：2023-03-17 00:30:02 | 来源：电子商务

时间：2023-03-17 00:30:02 来源：电子商务

首页，我们来看一张图，如下图，这个是简单的搜索引擎原理图，第一步是抓取，第二个是过滤，第三个是建立索引，第四个是输出结果，这样一来看，搜索引擎的工作原理就比较简单了，但是我们知道了这四个步骤，没用，要知道每个步骤都是做什么的，能够给我们提供什么样的帮助，优化中遇到的问题，可以结合搜索引擎的工作原理来进行诊断网站，弄懂了这个工作原理，你就会明白为什么不收录，为什么，没有排名了，排名怎么样才会有，所以这个很重要。

首先来看搜索引擎原理的第一个步骤----抓取

在互联网上，有一种自动抓取的程序，可以发现，并抓取互联网上的内容，这个程序叫做spider，中文名字叫蜘蛛，不同的搜索引擎公司起的名字也不同，百度叫Baiduspider,谷歌的叫googlebot，360的叫360spider

抓取都是以亿万为单位的，就是很多的意思，这里不要钻牛角尖，每天的工作就是不断的发现内容，并把内容带回去，把内容存到临时的数据

当网站产生新内容时，Baiduspider会通过互联网中某个指向该页面的链接进行访问和抓取，怎么来理解呢？比如，刚刚做一个新的网站，这个时候，我们不做任务处理，那么时间长了，我们也能够发现网站会收录，但是这个时间会比较长的，这个就是自动抓取。还有就是找一些高质量的平台，去发一些外链，当外链被收录时，里面有指向我们网站的链接，这个时候蜘蛛就能够寻着链接到达我们的网站了，我们也把这种方式叫做被动的引蜘蛛

还有一种就是主动的提交，如果您没有设置任何外部链接指向网站中的新增内容，则Baiduspider是无法对其进行抓取的。这个时候，我们可以使用百度站长平台的提交功能,新产生内容时，可以使用API提交，手动提交，老网站使用sitemap地图提交。



这里需要说明的是API提交，以前叫实时提交，后来才改成API提交，速度上来讲是很快的，只有提交了，很段的时间内，就会派蜘蛛来你的网站，这里要注意的是，蜘蛛来你的网站差不意味着你的网站会抓取，会收录，也可能只是蜘蛛来了，但是他内容没有抓住，没有收录，这个我们在后面还是重点说明为什么

想要使用API提交提交，需要根据官方提供的开发文档进行开发相关的工具，工发这个工具得懂编程了

老师这里有开发好的PIA提交工具，可直接使用，领取点击这查看

对于已被抓取过的内容，搜索引擎会对抓取的页面进行记录，并依据这些页面对用户的重要程度安排不同频次的抓取更新工作。

抓取很重要，那么首先需要的是蜘蛛能够到过我们的网站，这里需要前明几点

第一个，就是服务器，是否有问题，网站能不能正常打得开网站，别购买垃圾的网站，平台打开就很快，有的时间自己打开没事，蜘蛛一来就不行了，提示403，404

第二个，就是robots禁封

有很多人的网站刚开始时，想要不让收录，就晋封了蜘蛛抓取，想要抓取了，就放开，缺发现蜘蛛就是不来，网站几个月了，就是不收录，这是因为robots这个不授控制，有生效周期，几个月不等的，很坑

第三个，就是网站有权限，需要登录才能够看到内容,就像下图一样，

说明：由于百度的蜘蛛是一个普通的用户，它不会去做复杂的工作，不会注册，所以网站还想要正常抓取就很难了，希望大家能够明白

第四，有一些抓取软件，为了各种目的，会伪装成Baiduspider对您的网站进行抓取，这可能是不受控制的抓取行为，严重时会影响到网站的正常运作。点此识别Baiduspider的真伪。

以上抓取我就讲这么多了，有不懂的欢迎来套讨论，下面讲过滤

搜索引擎原理的第二个步骤---过滤

很多人的网站，还没有达到收录的标准就被过滤掉了，所以我们可以查看一下日志，看一下，蜘蛛有没有来到我们的网站，抓取了哪一些页面，如果还没有抓取，那就要先让其进行抓取，如果抓取了，那就看是否因为质量不行被过滤了

互联上有很多内容，他抓取过来的内容也会进行筛选，如垃圾页面，空间无面，无内容页面，死连接，明显的欺骗用户的网页，这些本为就没有用，我还去存取，那就会消耗我的地方，消耗磁盘，流量，所以这个程序他会自动判断，讲到这里，让你来，或者找人来做这件事情，是否我们自己也可以做到？

第二点，就是他抓取来的内容，会和自己原来存取的内容进行比对，发现是重复的内容，他有可能也不会收录，如下图，及时网站的内容刚开始会收录，但慢慢的，你还是提供一些垃圾的内容，那慢慢的网站就会变成一个垃圾站点了，慢慢就不会收录了，排名也不可能好，这是一个知识点请记住

互联网中并非所有的网页都对用户有意义，因此百度会自动对这些内容进行过滤，那么你的网站

搜索引擎原理的第三个步骤--建立索引

当很多人问我，为什么我的网站还没有收录，那就要看网站的内容有没有达到收录的标准了，要质量是高质量的，有的人根本就不知道什么是高质量的内容，每天就是为了更新而更新，天天伪原创，他都不知道为什么要更新内容，要更新什么样的内容，很可怕，所以内容要图文结合，能够解决用户的问题，可以传播，别人会收藏，用户看了会喜欢，能够从头看到尾，下找遇到相同的内容，他还会在来你的网站

页面被Baiduspider发现、分析过，没有存过这个内容，有价值，质量高，那就会收录了，你可以使用site：域名，看下这个网站下有多少内容有收录，也可以直接百度中搜索某一个地址，看下这个链接有没有收录

这个是有收录的

这个是没有收录的

百度会对抓取回来的内容会逐一进行标记和识别，并将这些标记进行储存为结构化的数据，比如网页的tagtitle、metadescripiton、网页外链及描述、抓取记录。同时，也会将网页中的关键词信息进行识别和储存，以便与用户搜索的内容进行匹配。

这里需要说明一点的是，为什么我们老是说收录，没有说建立索引呢？那是因为先收录，在建立索引，所以，有的时候我们会说，抓取，过滤，收录，输入结果

百度官方的解释索引是：Baiduspider经初步分析后认为有意义，做建库处理，而收录是：页面被Baiduspider发现、分析过，这里来看，想在能够排名，只收录是没用的，还需要建立索引，收录的要有意义，有价值，下面上一张官方图，大家就可以一目了然了

收录是包含索引的，所以你要是做的好的话，就有可能是收录等于索引，也就是你的内容所有的都进入到索引里面。

给大家看下个网站，先看site数据

下面是索引，那为什么，今天的索引是25个，而site是24个呢？欢迎大家在下面讨论，先说明，网站差没有被黑过，如果你懂得这个知识，可以告诉你，利用这个知识，可以做更多关键词排名和收录

搜索引擎原理的第四个步骤--输出结果

有的时候，我们也会把输出结果，说成是排序，排名，所以你在那里看到别人说成这个，你也不用说不对，都是可以的，一个意思，因为这个没有绝对的

用户输入的关键词，谁会排在前面，谁会排在后面， 百度会对其进行一系列复杂的分析，并根据分析的结论在索引库中寻找与之最为匹配的一系列网页，按照用户输入的关键词所体现的需求强弱和网页的优劣进行打分，并按照最终的分数进行排列，展现给用户。

下面在上一个有难度一点的搜索引擎抓取图，现在大家应改可以看懂了



本节知识就写到这里了，小知识点很多，每个人都要总得这个搜索引擎的工作原理的，还且还要学会去运用，自己优化网站的时候，可以解决很多问题，怎么引蜘蛛，蜘蛛有没有来，网站为什么没有收录，网站为什么没有排名，是内容质量不高，还是蜘蛛没有来，还是被过滤掉了，有不懂的可以在下方留言，也可以找我来分析网站