百度收录的核心逻辑是抓取, 然后是收录, 最后是展示, 这三步走。网站要想被百度搜索到, 必须同时满足这三个环节的条件。多数站长卡在第一步, 也就是未被抓取, 或者卡在第二步, 也就是抓了但没收录。搞清底层规则才能对症下药。
百度收录的三层机制
百度对网站的处理是分成了三个层次, 而每一个层次各自都有独立的规则。
1. 抓取层: 百度会通过蜘蛛也就是Baiduspider, 按照sitemap、链接发现以及主动推送等方式去把页面给拿到手里头。那些没有被抓取到的页面, 是完全没有办法进入以后的处理流程里面的。
影响着抓取频率的核心因素有这些部分, 一个是网站的更新频率快不快, 第二个是robots.txt这个文件有没有放行服务器, 第三个是服务器的响应速度, 这里百度要求必须要保证服务器在2秒以内能够返回那个200状态码。
2. 收录层: 在抓取以后, 页面并不是百分之百都能被入库的。百度会对这些内容做一个质量方面的评分。对于那些分数低于规定限值的页面, 会被直接过滤掉。
就拿像gname.xin这样新上线的域名来说吧, 它们的前三十天是处于所谓"信任观察期"的。在这段时期内, 收录率通常是偏低的。需要通过持续地产出原创内容, 来逐步提升网站的权重。
3. 展示层指的是已收录的页面到底能不能在搜索结果里被展示出来。这主要要看几个因素, 一个是关键词和内容的匹配程度高不高, 另一个是页面的质量分是多少, 还有像跳出率、停留时长这些用户体验指标的具体表现怎么样。需要注意的是, 同一个页面如果用不同的关键词去搜索, 它最终展现出来的情况可能会有所不同。
影响收录的五个关键因素
参照百度官方所发布的《搜索资源平台》这一文档, 以及该平台的站长中心当中所进行的相关公告内容显示, 在众多影响因素之中, 下面这些因素的权重数值处于最高的水平:
内容原创度与价值: 百度已经明确说明了态度, 对于所谓“采集站”以及搞“伪原创”的网站, 不仅会进行降权处理, 甚至可能直接拒绝收录它们, 所以要求每一页页面都必须包含真正对搜索者有实际帮助、有价值的信息内容。
网站结构: 要使用扁平化的URL地址, 跳转的次数不能超过3层, 需要准备好清晰的站点地图, 并且要按照规范去使用HTML标签, 也就是title、h1到h6以及meta description这些内容。
技术可达性: 包括支持HTTPS, 适配移动端设备, 没有大面积依赖JS渲染, 百度现在虽然支持JS渲染, 但效率比纯HTML要低。
更新节奏: 对于那种能够保持每天或者每周都发布新内容, 而且动作比较稳健的网站来说, 我们进行抓取的时候, 次数会明显地多一些；相反, 对于那些很长时间都不怎么变动、没什么新东西出来的网站, 我们的抓取频率就会相对低一些了。
外链与权重方面, 如果是来自那些具有高权重的域名的、自然形成的外链的话, 是可以帮助加快被抓取速度的。但是呢, 如果去批量地购买外链的话, 这种行为会被判定为作弊。
快速收录的操作要点
1. 在百度搜索资源平台把站点验证的步骤走完, 然后去开通那个叫做“快速收录”的渠道, 因为每天给的配额数量是有一定限制的, 所以会优先把这个资格分配给那些权重比较高的站点。
2. 把sitemap.xml这个文件提交上去, 并且要保证在这个文件里面出现的所有网址链接都是可以进行正常访问的, 不要出现那种指向死路的重定向或者坏掉的链接。
3. 新页面在发布之后, 通过API的方式来进行主动推送。这种做法是来替代旧版sitemap中的被动发现机制的。关于推送频率的方面, 给出的建议是不应该超过每小时100条。
4. 保持日更节奏百度搜索引擎收录规则百度搜索引擎收录规则，每篇内容300字以上大城新闻网，包含至少一个核心关键词，避免堆砌。
5. 定期检查"站点健康"模块，处理404、503异常。
高频疑难与解决方案
持续维护要点
收录这活儿并不是最后就结束了, 百度这边会不定期的去复查那些已经被收录了了的页面, 如果他们发现里面的内容被大幅度改动了, 或者服务器长时间连不上去, 又或者是有人反馈说点进去以后立刻就关掉跳出的概率特别高, 就会一步步减少让内容显示出来的次数, 直到最后干脆就把收录给取消掉。
建议你每个月都通过站长平台去看一看那个叫做“收录概览”的地方, 这样就能尽早发现里面有没有出现什么不对劲的数字波动了。
对于像gname.xin这样还处在成长阶段的那些网站, 前面的前半年的时间是整个权重开始积累的关键时期, 在这个时候, 保持稳定去输出那些具备高质量属性内容的行为, 要比单纯追求产出数量来说显得更加重要。
上述这些规则, 是基于百度搜索资源平台上面公开的文档整理出来的。百度的算法, 会一直不停地进行更新和调整。所以, 建议网站管理者们, 要定期去关注官方的公告, 这样才能获得最新调整的信息。
