使用Robots.txt引导百度爬虫合理分配抓取资源

我所在的网站算是一个大型网站，百度收录3000万，每天百度爬虫抓取总次数在500w次左右，单页的百度收录率 80%，看起来已经是一个相当不错的数据，但分析一下详细的日志文件，还是可以发现一些问题，

　　1.大型网站的列表页为了方便用户查找所需信息，通常会设置多重的筛选条件（Facet Navigation），但爬虫并没有智能到可以自主判断哪些条件可以组合，哪些条件组合起来没有意义，只要在代码里面有链接就会去抓取，导致百度爬虫耗费了大量资源在列表筛选页上。分析了一个月的数据，发现百度的抓取量有30%消耗在列表页，但是列表页带来的百度自然流量仅占所有百度自然流量的2%，所以对网站的列表页来说，爬虫的投入产出非常低。

　　2.重复抓取现象严重。 我个人觉得，对网站来说，只被爬虫抓取过1次的页面（Distinct Crawl）最有价值，因为对一张本身内容质量还可以的页面来说，只要被抓取过一次，收录的几率就超过80%。如果页面本身质量不行，即使被抓取过几十次,也依然不会被收录。 继续分析我们网站的数据，发现在百度爬虫一天500w的抓取中，有超过一半的抓取是对相同页面的多次抓取，如果能把这些重复的抓取转移到那些一次都没被抓过的页面上，对网站的价值无疑更大。

　　如何解决这两个问题？

　　先说第一个，针对筛选页消耗爬虫资源问题，很多人都建议使用nofollow标签告诉爬虫，不要继续给这些页面分配权重，我们也这么做过。但事实证明百度爬虫对nofollow并不敏感，使用之后爬虫依旧疯狂抓取，同时也没有把权重从筛选页面上转移到规范页面上。

　　无奈之下，我们只好考虑起用SEO的大杀器：Robots文件，把所有的筛选页面全部disallow掉，之前没有使用robots禁止抓取的原因是担心万一爬虫被禁止抓取列表后，会不会其他的页面也不抓了？毕竟列表筛选页还是会给单页贡献大量入口，但基于我们网站单页收录还不错的现状，还是决定尝试一下。

　　事实证明，效果非常明显，新版的robots上线三天后，列表页的爬虫抓取量下降到15%；同时之前担心的问题也没有发生，爬虫的抓取总量不但没有下降，反而增长了10%左右，单页的抓取量也上升了20%，可以算是达到了我们的预期目标：把列表页浪费的爬虫资源转移到其他需要被抓取的页面上。

　　但是如何证明抓取资源是被转移到需要被抓取的页面上呢，这正好也是之前提到的第二个问题，我们看了唯一抓取率（ 只抓一次的页面数/总抓取数）的变化，从50%增长到74%，可以说明爬虫在阅读robots文件后，对爬虫资源做了更合理的分配，更多的单页被抓取。

　　总结：Robots文件相比其他手段，可以在较短时间内优化百度爬虫的抓取资源分配，但这得建立在网站本身结构良好，内容过关的基础之上，同时最重要的还是得反复测试，通过日志分析实际情况来调整以取得最佳效果 转自百度站长社区