爬行、抓取、索引、收錄，指的都是什么？
- 威海搜索引擎工作原理 威海搜索引擎工作原理
- 1326
一位讀者在蜘蛛抓取配額是什么這篇帖子留言：
不對呀，這個index標簽，是指告訴蜘蛛可以抓取該頁面，那么noindex不就是不允許抓取該頁面嗎？！那么為什么文章最后的幾個說明里有“noindex標簽不能節省抓取份額。搜索引擎要知道頁面上有noindex標簽，就得先抓取這個頁面，所以并不節省抓取份額。”
留言說明，這位讀者并沒有太明白什么是抓取，什么是索引，index和noindex標簽的意義又是什么。noindex標簽不是不允許抓取該頁面，是不允許索引該頁面，這兩者是不同的意思，有不同的功能。
看SEO有關博客和論壇時能感覺到，很多SEO并沒有理解爬行、抓取、索引、收錄這些概念到底指的是什么，區別在哪，noindex、nofollow、robots文件的功能又是什么。對這些概念沒有精準理解，處理大型網站結構，決定什么頁面需要被抓取，什么需要被索引，哪些頁面需要禁止抓取、索引等等情況時，就很難明白該怎么做。甚至就像抓取配額那篇帖子的很多留言說的，提到這些情況的處理時，根本看不懂在說什么。
這么基本、重要，又比較容易混淆的SEO概念，我以為以前在博客里寫過了，看了留言，翻翻以前帖子才知道，原來以前沒寫過。SEO實戰密碼書里是有寫的，但SEO每天一貼里并沒有寫過。今天補上。
爬行是什么？
爬行指的是搜索引擎蜘蛛從已知頁面上解析出鏈接指向的URL，然后沿著鏈接發現新頁面（也就是鏈接指向的URL）的過程。當然，蜘蛛并不是發現新URL馬上就爬過去抓取新頁面，而是把發現的URL存放到待抓地址庫中，蜘蛛按照一定順序從地址庫中提取要抓取的URL。
抓取是什么？
抓取是搜索引擎蜘蛛從待抓地址庫中提取要抓的URL，訪問這個URL，把讀取的HTML代碼存入數據庫。蜘蛛的抓取就是像瀏覽器一樣打開這個頁面，和用戶瀏覽器訪問一樣，也會在服務器原始日志中留下記錄。
索引是什么？
索引指的是將一個URL的信息進行整理，存入數據庫，也就是索引庫，用戶搜索時，搜索引擎從索引庫中提取URL信息并排序展現出來。索引的英文是index。索引庫是用于搜索的，所以被索引的URL是可以被用戶搜索到的，沒有被索引的URL用戶在搜索結果中是看不到的。
要注意的是，所謂“一個URL的信息“，并不限于蜘蛛從URL上抓取來的內容，還有來自其它來源的信息，如外部鏈接、鏈接的錨文字等。有的時候，索引庫中關于這個URL的的信息，根本沒有從這個URL抓取來的內容，但搜索引擎知道這個URL的存在，并且有一些其它信息。
抓取和索引不是一回事。
收錄是什么？
我個人覺得收錄和索引沒有區別。只不過收錄是從搜索用戶角度看的，搜索時能找到這個URL，就是這個URL被收錄了。從搜索引擎角度看，URL被收錄了，也就是這個URL的信息在索引庫中存在。英文并沒有收錄這個詞，和索引用的是同一個詞index。
noindex的作用是什么？
頁面頭信息中放上meta noindex標簽是告訴搜索引擎不要索引這個URL，也就是用戶搜索時找不到這個URL的信息，這個URL不會返回在搜索結果列表中。
noindex不是告訴搜索引擎不要抓取這個URL，實際上，noindex要起作用，這個URL是必須先被抓取的，不然搜索引擎怎么看到頁面HTML代碼中有noindex標簽呢？
robots文件的作用是什么？
robots文件是告訴搜索引擎，某些URL不要抓取。注意，這里說的是不要抓取，沒說不要索引。和noindex是正相反的。
nofollow的作用是什么？
給鏈接加上nofollow屬性是告訴搜索引擎，不要沿著這個鏈接爬行，就當這個鏈接不存在。注意，nofollow只是告訴蜘蛛不要爬這個鏈接，沒有說不要抓取鏈接指向的URL，也沒有說不要索引鏈接指向的URL，nofollow既沒禁止抓取，也沒禁止索引。
概念說過后，指出幾個SEO們經常弄不明白的情況：
沒有被抓取的頁面是可以被索引的
也就是說，蜘蛛沒有訪問和抓取這個頁面（比如被robots文件禁止抓取），這個頁面卻有信息存在索引庫中，用戶搜索時還能看到。
比如，淘寶整個網站用robots文件禁止百度蜘蛛抓取，但沒有用noindex禁止索引（如上面說的，禁止抓取后，就沒辦法禁止索引了，不抓取，就看不到noindex標簽了），所以即使百度沒有訪問和抓取淘寶頁面，但淘寶很多頁面是被百度索引的，用戶可以搜到的：
淘寶禁止百度抓取，但沒有禁止索引
百度從網上那么多鏈接知道淘寶首頁的存在，通過鏈接的錨文字也知道這個頁面標題大概是淘寶之類的，當然更知道百度口碑里的評價數。所以即使百度蜘蛛沒有抓取淘寶首頁，用戶還是能搜到，并且顯示一些百度知道的信息。
要想百度不能返回淘寶首頁該怎么辦呢？取消robots文件的禁止抓取，頁面上用noindex禁止索引。
被抓取的頁面是可以不被索引的
最常見的就是上面說過的，頁面頭信息使用noindex禁止索引，頁面被抓取，讀到noindex后，不被索引，不會在搜索結果中返回。老頁面新加noindex也不是馬上刪除索引，還會保留索引一段時間，但不會返回在搜索結果中。
加了noindex的頁面上的鏈接是可以被跟蹤一段時間的，但時間長了，有noindex的頁面搜索引擎可能就不再抓取和索引了，上面的鏈接也就無效了。
還有可能是因為頁面內容是抄襲、轉載、低質量的，搜索引擎雖然抓取了頁面，索引過程中檢測出這些內容問題，被丟棄，沒有被索引。所以頁面沒有被收錄，通常要先檢查原始日志，看看是否被抓取過，如果被抓取過，可能是內容質量問題，如果根本沒被抓取，建議先看看網站結構是否有問題。
加了nofollow的鏈接目標頁面可以被抓取和索引
前面說了，nofollow既不禁止抓取，也不禁止索引。nofollow的作用是告訴蜘蛛不要跟著這個鏈接爬，就當這個鏈接不存在，但nofollow只對這個鏈接起作用，對別的鏈接沒作用，這個鏈接加了nofollow，不意味著別的地方就沒有正常的指向這個URL的鏈接，只要別的地方出現了沒加nofollow的鏈接，目標URL還是會被發現、抓取（假設沒被robotx文件禁止）、索引（假設沒加noindex )。
上面這些概念和應用在SEO中是很重要的，如果還沒看懂，我也不知道該怎么再解釋了，只能建議再多讀幾遍。
來源：SEO每天一貼 Zac 昝輝
