一月份時(shí)，Google新的SEO代言人Gary Illyes在Google官方博客上發(fā)了一篇帖子：What Crawl Budget Means for Googlebot，討論了搜索引擎蜘蛛抓取份額相關(guān)問題。對(duì)大中型網(wǎng)站來說，這是個(gè)頗為重要的SEO問題，有時(shí)候會(huì)成為網(wǎng)站自然流量的瓶頸。
今天的帖子總結(jié)一下Gary Illyes帖子里的以及后續(xù)跟進(jìn)的很多博客、論壇帖子的主要內(nèi)容，以及我自己的一些案例和理解。
強(qiáng)調(diào)一下，以下這些概念對(duì)百度同樣適用。
什么是搜索引擎蜘蛛抓取份額?
顧名思義，抓取份額是搜索引擎蜘蛛花在一個(gè)網(wǎng)站上的抓取頁面的總的時(shí)間上限。對(duì)于特定網(wǎng)站，搜索引擎蜘蛛花在這個(gè)網(wǎng)站上的總時(shí)間是相對(duì)固定的，不會(huì)無限制地抓取網(wǎng)站所有頁面。
抓取份額的英文Google用的是crawl budget，直譯是爬行預(yù)算，我覺得不太能說明是什么意思，所以用抓取份額表達(dá)這個(gè)概念。
抓取份額是由什么決定的呢?這牽扯到抓取需求和抓取速度限制。
抓取需求
抓取需求，crawl demand，指的是搜索引擎“想”抓取特定網(wǎng)站多少頁面。
決定抓取需求的主要有兩個(gè)因素。一是頁面權(quán)重，網(wǎng)站上有多少頁面達(dá)到了基本頁面權(quán)重，搜索引擎就想抓取多少頁面。二是索引庫里頁面是否太久沒更新了。說到底還是頁面權(quán)重，權(quán)重高的頁面就不會(huì)太久不更新。
頁面權(quán)重和網(wǎng)站權(quán)重又是息息相關(guān)的，提高網(wǎng)站權(quán)重，就能使搜索引擎愿意多抓取頁面。
抓取速度限制
搜索引擎蜘蛛不會(huì)為了抓取更多頁面，把人家網(wǎng)站服務(wù)器拖垮，所以對(duì)某個(gè)網(wǎng)站都會(huì)設(shè)定一個(gè)抓取速度的上限，crawl rate limit，也就是服務(wù)器能承受的上限，在這個(gè)速度限制內(nèi)，蜘蛛抓取不會(huì)拖慢服務(wù)器、影響用戶訪問。
服務(wù)器反應(yīng)速度夠快，這個(gè)速度限制就上調(diào)一點(diǎn)，抓取加快，服務(wù)器反應(yīng)速度下降，速度限制跟著下降，抓取減慢，甚至停止抓取。
所以，抓取速度限制是搜索引擎“能”抓取的頁面數(shù)。
抓取份額是由什么決定的?
抓取份額是考慮抓取需求和抓取速度限制兩者之后的結(jié)果，也就是搜索引擎“想”抓，同時(shí)又“能”抓的頁面數(shù)。
網(wǎng)站權(quán)重高，頁面內(nèi)容質(zhì)量高，頁面夠多，服務(wù)器速度夠快，抓取份額就大。
小網(wǎng)站沒必要擔(dān)心抓取份額
小網(wǎng)站頁面數(shù)少，即使網(wǎng)站權(quán)重再低，服務(wù)器再慢，每天搜索引擎蜘蛛抓取的再少，通常至少也能抓個(gè)幾百頁，十幾天怎么也全站抓取一遍了，所以幾千個(gè)頁面的網(wǎng)站根本不用擔(dān)心抓取份額的事。數(shù)萬個(gè)頁面的網(wǎng)站一般也不是什么大事。每天幾百個(gè)訪問要是能拖慢服務(wù)器，SEO就不是主要需要考慮的事了。
大中型網(wǎng)站可能需要考慮抓取份額
幾十萬頁以上的大中型網(wǎng)站，可能要考慮抓取份額夠不夠的問題。
抓取份額不夠，比如網(wǎng)站有 1 千萬頁面，搜索引擎每天只能抓幾萬個(gè)頁面，那么把網(wǎng)站抓一遍可能需要幾個(gè)月，甚至一年，也可能意味著一些重要頁面沒辦法被抓取，所以也就沒排名，或者重要頁面不能及時(shí)被更新。
要想網(wǎng)站頁面被及時(shí)、充分抓取，首先要保證服務(wù)器夠快，頁面夠小。如果網(wǎng)站有海量高質(zhì)量數(shù)據(jù)，抓取份額將受限于抓取速度，提高頁面速度直接提高抓取速度限制，因而提高抓取份額。
百度站長(zhǎng)平臺(tái)和Google Search Console都有抓取數(shù)據(jù)。如下圖某網(wǎng)站百度抓取頻次：
上圖是SEO每天一貼這種級(jí)別的小網(wǎng)站，頁面抓取頻次和抓取時(shí)間(取決于服務(wù)器速度和頁面大小)沒有什么大關(guān)系，說明沒有用完抓取份額，不用擔(dān)心。
有的時(shí)候，抓取頻次和抓取時(shí)間是有某種對(duì)應(yīng)關(guān)系的，如下圖另一個(gè)大些的網(wǎng)站：
可以看到，抓取時(shí)間改善(減小頁面尺寸、提高服務(wù)器速度、優(yōu)化數(shù)據(jù)庫)，明顯導(dǎo)致抓取頻次上升，使更多頁面被抓取收錄，遍歷一遍網(wǎng)站更快速。
Google Search Console里更大點(diǎn)站的例子：
最上面的是抓取頁面數(shù)，中間的是抓取數(shù)據(jù)量，除非服務(wù)器出錯(cuò)，這兩個(gè)應(yīng)該是對(duì)應(yīng)的。最下面的是頁面抓取時(shí)間。可以看到，頁面下載速度夠快，每天抓取上百萬頁是沒有問題的。
當(dāng)然，像前面說的，能抓上百萬頁是一方面，搜索引擎想不想抓是另一方面。
大型網(wǎng)站另一個(gè)經(jīng)常需要考慮抓取份額的原因是，不要把有限的抓取份額浪費(fèi)在無意義的頁面抓取上，導(dǎo)致應(yīng)該被抓取的重要頁面卻沒有機(jī)會(huì)被抓取。
浪費(fèi)抓取份額的典型頁面有：
大量過濾篩選頁面。這一點(diǎn)，幾年前關(guān)于無效URL爬行索引的帖子里有詳細(xì)討論。站內(nèi)復(fù)制內(nèi)容低質(zhì)、垃圾內(nèi)容日歷之類的無限個(gè)頁面
上面這些頁面被大量抓取，可能用完抓取份額，該抓的頁面卻沒抓。
怎樣節(jié)省抓取份額?
當(dāng)然首先是降低頁面文件大小，提高服務(wù)器速度，優(yōu)化數(shù)據(jù)庫，降低抓取時(shí)間。
然后，盡量避免上面列出的浪費(fèi)抓取份額的東西。有的是內(nèi)容質(zhì)量問題，有的是網(wǎng)站結(jié)構(gòu)問題，如果是結(jié)構(gòu)問題，最簡(jiǎn)單的辦法是robots文件禁止抓取，但多少會(huì)浪費(fèi)些頁面權(quán)重，因?yàn)闄?quán)重只進(jìn)不出。
某些情況下使用鏈接nofollow屬性可以節(jié)省抓取份額。小網(wǎng)站，由于抓取份額用不完，加nofollow是沒有意義的。大網(wǎng)站，nofollow是可以在一定程度上控制權(quán)重流動(dòng)和分配的，精心設(shè)計(jì)的nofollow會(huì)使無意義頁面權(quán)重降低，提升重要頁面權(quán)重。搜索引擎抓取時(shí)會(huì)使用一個(gè)URL抓取列表，里面待抓URL是按頁面權(quán)重排序的，重要頁面權(quán)重提升，會(huì)先被抓取，無意義頁面權(quán)重可能低到搜索引擎不想抓取。
最后幾個(gè)說明：
鏈接加nofollow不會(huì)浪費(fèi)抓取份額。但在Google是會(huì)浪費(fèi)權(quán)重的。noindex標(biāo)簽不能節(jié)省抓取份額。搜索引擎要知道頁面上有noindex標(biāo)簽，就得先抓取這個(gè)頁面，所以并不節(jié)省抓取份額。canonical標(biāo)簽有時(shí)候能節(jié)省一點(diǎn)抓取份額。和noindex標(biāo)簽一樣，搜索引擎要知道頁面上有canonical標(biāo)簽，就得先抓取這個(gè)頁面，所以并不直接節(jié)省抓取份額。但有canonical標(biāo)簽的頁面被抓取頻率經(jīng)常會(huì)降低，所以會(huì)節(jié)省一點(diǎn)抓取份額。抓取速度和抓取份額不是排名因素。但沒被抓取的頁面也談不上排名。
