百度是如何收录网页的?百度蜘蛛收录一个网站的的全过程揭秘

　　搜索引擎工作过程非常复杂，今天和大家分享一下我所了解的百度蜘蛛是怎么实现网页收录的。

　　搜索引擎工作大致可以分为四个过程。

　　1、蜘蛛爬行抓取。

　　2、信息过滤。

　　3、建立网页关键词索引。

　　4、用户搜索输出结果。

　　蜘蛛爬行抓取

　　当百度蜘蛛来到一个页面时，它会跟踪页面上的链接，从这个页面爬行到下一个页面，就好像一个递归过程，这样常年累月，不止疲倦的工作。比如蜘蛛来到了我的博客首页http://blog.sina.com.cn/netseoer，它会先读取根目录下的robots.txt文件，如果没有禁止搜索引擎抓取，那么蜘蛛就开始针对网页上的链接，进行逐一跟踪爬行。比如我的置顶文章“seo概述|什么是seo seo到底是干嘛的”，引擎就会多进程式的来到这篇文章所在的网页抓取信息，如此循坏，没有终结。

　　信息过滤

　　为了避免重复爬行和抓取网址，搜索引擎会有一个记录已爬行和未被爬行的地址库，如果你有一个新网站时，你可以去百度官网提交网站的网址，引擎就会记录它，并把它归类到未爬行的网址，然后蜘蛛就会根据这个表格，从数据库中提取url，访问并抓取页面。

　　蜘蛛并不会收录所有的页面，它要经过严格检测。当蜘蛛在爬行和抓取一个网页的内容时，会进行一定程度的复制内容检测，如果网页所在的网站权重低，而且大部分文章都是抄袭来的话，蜘蛛就很可能不喜欢你的网站了，不在继续爬行，也就不收录你的网站。

　　建立网页关键词索引

　　当蜘蛛抓取了一个页面之后，首先会对页面文字内容进行分析。通过分词技术，将网页的内容简化到关键词，并把关键词和对应的网址制成表格建立索引。

　　索引又有正向索引和反向索引，正向索引是把网页内容对应的关键词，反向是关键词对应的网页信息。

　　输出结果

　　当用户搜索了某个关键词之后，就会通过前面建立的索引表进行关键词匹配，通过反向索引表找到关键词对应的页面，通过引擎对网页综合评分计算以后，根据网页的评分来决定网页的先后顺序排名。