什么是抓取診斷

　　抓取診斷工具，可以讓站長(zhǎng)從百度蜘蛛的視角查看抓取內(nèi)容，自助診斷百度蜘蛛看到的內(nèi)容，和預(yù)期是否一致。每個(gè)站點(diǎn)每周可使用70次，抓取結(jié)果只展現(xiàn)百度蜘蛛可見的前200KB內(nèi)容。

　　抓取診斷工具能做什么

　　目前抓取診斷工具有如下作用：

　　1、診斷抓取內(nèi)容是否符合預(yù)期，譬如很多商品詳情頁(yè)面，價(jià)格信息是通過JavaScript輸出的，對(duì)百度蜘蛛不友好，價(jià)格信息較難在搜索中應(yīng)用。問題修正后，可用診斷工具再次抓取檢驗(yàn)。

　　2、診斷網(wǎng)頁(yè)是否被加了黒鏈、隱藏文本。網(wǎng)站如果被黑，可能被加上隱藏的鏈接，這些鏈可能只在百度抓取時(shí)才出現(xiàn)，需要用此抓取工具診斷。

　　3、檢查網(wǎng)站與百度的連接是否暢通，若是IP信息不一致，可以報(bào)錯(cuò)通知百度更新IP。

　　抓取診斷工具常見錯(cuò)誤類型解析

　　【url規(guī)范】

　　百度支持抓取的url長(zhǎng)度不超過1024，如果您的鏈接長(zhǎng)度過長(zhǎng)，請(qǐng)?jiān)诒ＷC正常訪問的情況下，適當(dāng)精簡(jiǎn)，保證鏈接能被百度正常抓取和收錄。

　　【重定向錯(cuò)誤】

　　重定向是指百度spider訪問鏈接時(shí)發(fā)生了跳轉(zhuǎn)，如果跳轉(zhuǎn)后的鏈接超長(zhǎng)或者連續(xù)跳轉(zhuǎn)的次數(shù)超過5次，就會(huì)發(fā)生重定向錯(cuò)誤而導(dǎo)致抓取失敗。

　　【服務(wù)器連接錯(cuò)誤】

　　這種情況是指，由于服務(wù)器響應(yīng)過慢或您的網(wǎng)站屏蔽了百度spider，而導(dǎo)致百度無法訪問您的網(wǎng)站。從而會(huì)導(dǎo)致百度無法正常收錄或者更新您網(wǎng)站的內(nèi)容。您可能看到以下具體錯(cuò)誤：連接超時(shí)、連接失敗、連接被拒、無響應(yīng)、響應(yīng)遭到截?cái)唷⑦B接重置、標(biāo)頭遭到截?cái)唷⒊瑫r(shí)。

　　*如何處理服務(wù)器連接錯(cuò)誤？

　　減少動(dòng)態(tài)網(wǎng)頁(yè)請(qǐng)求的過多網(wǎng)頁(yè)加載。如果網(wǎng)站為多個(gè)網(wǎng)址提供相同內(nèi)容，則會(huì)被視為動(dòng)態(tài)提供內(nèi)容（例如，www.example.com/shoes.php?color=red&size=7與www.example.com/shoes.php?size=7&color=red提供的內(nèi)容相同）。動(dòng)態(tài)網(wǎng)頁(yè)的響應(yīng)時(shí)間可能會(huì)很長(zhǎng)，并會(huì)因此導(dǎo)致超時(shí)問題。或者，服務(wù)器可能會(huì)返回超載狀態(tài)，要求百度spider放慢抓取該網(wǎng)站的速度。一般來說，建議您盡量使用簡(jiǎn)短的參數(shù)并謹(jǐn)慎使用。

　　確保您網(wǎng)站的托管服務(wù)器沒有停止運(yùn)行、超載或配置不當(dāng)。如果連接問題、超時(shí)問題或響應(yīng)問題仍然存在，請(qǐng)與您的網(wǎng)站托管服務(wù)提供商聯(lián)系，并考慮增強(qiáng)您的網(wǎng)站處理流量的能力。

　　檢查網(wǎng)站是否不小心屏蔽了百度spider的IP。您可能會(huì)由于系統(tǒng)級(jí)問題而阻止了百度訪問，例如DNS配置問題、配置不當(dāng)?shù)姆阑饓駾oS防護(hù)系統(tǒng)、內(nèi)容管理系統(tǒng)配置問題。防御系統(tǒng)是保證托管服務(wù)正常運(yùn)行的關(guān)鍵因素之一，并且這些系統(tǒng)通常會(huì)配置為自動(dòng)阻止超量的服務(wù)器請(qǐng)求。由于百度spider發(fā)出的請(qǐng)求通常要比普通用戶多，因此可能會(huì)觸發(fā)這些防御系統(tǒng)，導(dǎo)致它們阻止百度spider訪問并抓取您的網(wǎng)站。要解決此類問題，您需要確定網(wǎng)站基礎(chǔ)架構(gòu)中的哪個(gè)部分在阻止百度spider，然后取消該阻止。如果您沒有控制防火墻的權(quán)限，就需要與您的托管服務(wù)提供商聯(lián)系解決此問題。

　　【robots封禁問題】

　　在抓取診斷工具中如果返回的抓取失敗結(jié)論是robots封禁，請(qǐng)確認(rèn)您是否對(duì)該網(wǎng)址設(shè)置了robots，阻止百度spider抓取網(wǎng)站的某些內(nèi)容，如果您未使用robots文件屏蔽百度，請(qǐng)點(diǎn)擊旁邊的報(bào)錯(cuò)鏈接，百度會(huì)立即更新您站點(diǎn)的robots信息；如果是您的誤操作導(dǎo)致了封禁，請(qǐng)及時(shí)修改robots文件，避免造成您的網(wǎng)站在百度收錄量和流量的下降。

　　【DNS問題】

　　DNS錯(cuò)誤是指由于服務(wù)器停止運(yùn)行或DNS到您網(wǎng)域的路由存在問題，導(dǎo)致百度spider無法與DNS服務(wù)器通信。

　　*如何處理DNS錯(cuò)誤？

　　確保百度能夠抓取您的網(wǎng)站。對(duì)重要網(wǎng)頁(yè)（例如您的首頁(yè)）采用抓取診斷工具，如果它能順利返回您的首頁(yè)內(nèi)容，那么您就可以認(rèn)為百度能夠正常訪問您的網(wǎng)站。

　　對(duì)于持續(xù)的或反復(fù)出現(xiàn)的DNS錯(cuò)誤，請(qǐng)與您的DNS提供商聯(lián)系。通常情況下，您的DNS提供商即為網(wǎng)站托管服務(wù)提供商。

　　配置您的服務(wù)器，使其能夠以404或500等HTTP錯(cuò)誤代碼對(duì)不存在的主機(jī)名作出響應(yīng)。

　　【404錯(cuò)誤】

　　一般情況下，當(dāng)百度spider訪問到不存在的網(wǎng)頁(yè)（因?yàn)槟鷦h除或重命名了網(wǎng)頁(yè)且沒有將舊網(wǎng)址重定向到新網(wǎng)頁(yè)，或者鏈接中存在拼寫錯(cuò)誤）時(shí)，就會(huì)出現(xiàn)“未找到”狀態(tài)錯(cuò)誤（通常是404 HTTP狀態(tài)代碼）。

　　【訪問遭拒絕】

　　一般情況下，百度會(huì)通過跟蹤網(wǎng)頁(yè)間的鏈接來查找內(nèi)容。百度spider必須能夠訪問某個(gè)網(wǎng)頁(yè)才能抓取該網(wǎng)頁(yè)。如果您意外地看到了“訪問遭拒”錯(cuò)誤，可能是由于以下幾種原因?qū)е碌模?/p>

　　（1）百度spider無法訪問您網(wǎng)站上的網(wǎng)址，因?yàn)槟W(wǎng)站上的所有或部分內(nèi)容要求用戶登錄后才能查看。

　　（2）您的服務(wù)器要求用戶使用代理進(jìn)行身份驗(yàn)證，或者您的托管服務(wù)提供商阻止百度spider訪問您的網(wǎng)站。

　　【參數(shù)錯(cuò)誤】

　　由于請(qǐng)求的語(yǔ)法格式有誤，不符合服務(wù)器對(duì)請(qǐng)求的某些限制，或者請(qǐng)求本身存在一定的錯(cuò)誤，服務(wù)器無法理解此請(qǐng)求，導(dǎo)致抓取失敗。

　　【socket讀寫錯(cuò)誤】

　　當(dāng)百度spider訪問服務(wù)器，進(jìn)行tcp通信的時(shí)候，socket讀寫發(fā)生異常，導(dǎo)致數(shù)據(jù)不能正常返回。請(qǐng)檢查服務(wù)器連接狀況和防火墻設(shè)置是否符合預(yù)期。

　　【讀取http頭或者頁(yè)面內(nèi)容時(shí)失敗】

　　您的服務(wù)器收到了我們的完整請(qǐng)求，但是返回信息時(shí)不完整，http頭或者響應(yīng)正文發(fā)生了截?cái)啵瑢?dǎo)致網(wǎng)頁(yè)內(nèi)容不能正常讀取。