什么是网络蜘蛛?本文从网络蜘蛛的抓取策略、更新策略、抽取策略、抽取频率四个方面为大家介绍网络蜘蛛的一些知识，并就怎样与网络蜘蛛对话进行了探讨。详细如下：

　　教你认识网络蜘蛛更多：

　　什么是网络蜘蛛？网络蜘蛛(web spider)又称为网络爬虫(web crawler)。它是一段计算机程序，它从互联网上按照肯定的逻辑和算法抓取和下载互联网的网页，是搜索引擎的一个重要组成部分。

　　1、抓取策略：那些网页是我们需要去下载的，那些是无需下载的，那些网页是我们优先下载的，定义清晰之后，能节省很多无谓的爬取。

　　2、更新策略：监控列表页来发现新的页面;定期check页面是否过期等等。

　　3、抽取策略：我们应当如何的从网页中抽取我们想要的内容，不仅仅包含最终的目标内容，还有下一步要抓取的url。

　　4、抓取频率：我们需要合理的去下载一个网站，却又不失效率。

　　怎样与网络蜘蛛对话？

　　1、通过robots.txt和蜘蛛对话：搜索引擎发现一个新站，原则上第一个访问的就是robots.txt 文件，可以通过allow/disallow语法告诉搜索引擎那些文件目录可以被抓取和不可以被抓取。

　　关于robots.txt 的详细介绍：about /robots.txt

　　另外需要注意的是：allow/disallow 语法的顺序是有区别的

　　2、通过meta tag和蜘蛛对话：比如有的时分我们希望网站列表页不被搜索引擎收录但是又希望搜索引擎抓取，那么可以通过 告诉爬虫，其他常见的还有noarchive，nosnippet，noodp 等。

　　关于 meta tag 的更多介绍：Metadata Elements

　　3、通过 rel=“nofollow” 和蜘蛛对话：关于 rel=“nofollow” 最近国平写了一篇文章《如何用好 nofollow》很值得一读，相信读完之后你会有很大的启发。

　　4、通过 rel=“canonical” 和蜘蛛对话：关于 rel=“canonical” 谷歌网站站长工具帮助有很详细的介绍：深化了解 rel=”canonical”

　　5、通过网站地图和蜘蛛对话：比较常见的是xml格式sitemap和html格式sitemap，xml 格式sitemap可以分割处理或者压缩压缩，另外，sitemap的地址可以写入到 robots.txt 文件。

　　6、通过网站管理员工具和搜索引擎对话：我们接触最多的就是谷歌网站管理员工具，可以设定googlebot抓取的频率，屏蔽不想被抓取的链接，控制sitelinks等，另外，Bing和Yahoo也都有管理员工具，百度有一个百度站长平台，内测一年多了仍旧在内测，没有邀请码无法注册。

　　另外，这里面还衍生出一个概念，就是我一直比较重视的网站收录比，所谓网站收录比=网站在搜索引擎的收录数/网站真实数据量，网站收录比越高，说明搜索引擎对网站的抓取越顺利。