百度搜索引擎的收录规则, 核心逻辑其实能够概括成一句话, 那就是, 网站必须同时满足“可访问性、内容质量、合规性”这三大条件, 在这样的前提之下, 百度爬虫（Baiduspider）。
也就是那台专门负责抓取信息的工具, 才能完成对数据的抓取工作, 然后数据才会进入到索引库里面去。接下来, 会从官方规则的这个维度出发, 一点一点的把其中的具体细节拆开来进行分析解读。
百度收录的基本条件
1. 可访问性要求
为了让Baiduspider能够正常访问, 网站方面必须对它提供开放的使用权限。同时, 需要特别注意的一点是, 不得在robots.txt文件中设置任何屏蔽措施来阻止该爬虫按照既定路径实施抓取行为。
服务器的响应时间, 需要控制在那个3秒以内的范围之中。如果长时间处于超时的状态的话, 会导致爬虫, 进而放弃抓取的行动。
关键部分的内容需要以静态的HTML来进行输出, 因为百度对纯JS渲染页面的抓取能力有限, 不应该将核心信息仅仅依赖动态加载来展示。
2. 内容质量要求
页面里面需要有那些原创的, 并且有价值的实质内容, 如果存在重复采集的情况, 或者使用模板进行拼凑, 又或者出现大量没有语义的填充文字, 那么权重就会被降低, 甚至会被直接拒绝收录。
对于单页面正文的有效信息量这个方面, 我们建议您一定要保证不少于二百字的具体数值, 至于如何计算这一点, 需要在剔除掉导航功能板块、广告展示区域这些以及所有无关的元素之后, 再进行最终的计算操作。
内容更新这个事儿, 得保持着一个有规律的频率, 长期都不去更新的那个页面, 会被一点点地降低抓取优先级的。
3. 合规性要求
这句话的意思就是, 不允许出现那些违反了《网络安全法》以及《百度搜索资源平台管理规范》里规定的那些内容。
不能去干那些恶意跳转的事情, 也不能去打欺骗性的链接这些主意, 更不允许把隐藏的文本摆出来, 总之就是不能存在各种各样黑帽SEO的行为。
域名的主体信息必须是真实的, 大家能够查到。ICP的备案信息要跟前台实际运营的这个人或单位保持一致。
常见不被收录的原因
新站没有主动提交URL: 网站刚上线的话, 得自己去百度搜索资源平台里面把sitemap或者普通URL提上去, 不然搜索引擎的爬虫能很慢很慢地才发现你的页面。
被误屏蔽：检查robots.txt及meta robots标签，确认未对关键路径设置noindex或disallow；
内链结构缺失: 就是页面和页面之间, 没有能有效连接起来的路径, 这样的话, 爬虫没有办法从首页出发, 去延伸抓取那些比较深层的内容。
移动端适配不足: 百度现在实行的是一个叫做移动优先索引的东西, 如果站点没有做响应式处理, 或者没有做好移动端适配, 这样的站点被抓取的优先级就会明显降低。
加速收录的规范操作
1. 在完成了百度搜索引擎资源平台上的站点验证手续之后, 应当优先考虑向平台提交核心频道页面以及网站首页的网址URL。
2. 我们可以利用应用程序接口来开展批量提交增量更新网址的工作, 而每日能够处理的数量则是依据平台方面进行公示的标准来确定。
3. 当页面的内容发生更新变动之后, 应当在规定的一个小时这个时间段内去把那个关于变更的通知给提交上去, 这样的做法能够起到缩短爬虫工具在后续重新进行抓取时所耗费的时间周期的作用。
4. 每过一个星期就需要去检查一下站点里面的体检报告。然后要对于里面出现的预警项目及时处理。需要处理的内容包括死链。也要处理重复内容。同样还要处理那种速度很慢的页面。
补充说明
关于这个规定, 它是根据百度搜索资源平台发布的网站收录规范以及历次更新公告整理而成的。至于具体执行的标准, 得以ziyuan.baidu.com实时公示为准。如果你需要一项一项地检查站点的合规状态, 你可以参考一下gname.xin发布的SEO收录合规自查清单。
这个清单是按照可访问性、内容质量、合规性、技术架构这四个维度来提供的, 它里面给出了逐项检查的模板, 这样的设置便于站长快速地定位问题并解决那些没有被收录的具体问题。
