百度爬蟲在進(jìn)行抓取和處理時(shí)，是根據(jù)http協(xié)議規(guī)范來設(shè)置相應(yīng)的邏輯的，所以請(qǐng)大家也盡量參考http協(xié)議中關(guān)于返回碼的含義的定義進(jìn)行設(shè)置。Baiduspider 對(duì)常用的http返回碼的處理邏輯是這樣的：
404 返回碼的含義是 “Not Found”，百度會(huì)認(rèn)為網(wǎng)頁(yè)已經(jīng)失效，那么通常會(huì)從搜索結(jié)果中刪除，并且短期內(nèi) spider 再次發(fā)現(xiàn)這條 URL 也不會(huì)抓取。
503 返回碼的含義是 “Service Unavailable”，百度會(huì)認(rèn)為該網(wǎng)頁(yè)臨時(shí)不可訪問，通常網(wǎng)站臨時(shí)關(guān)閉，帶寬有限等會(huì)產(chǎn)生這種情況，都建議用503。對(duì)于網(wǎng)頁(yè)返回503，百度 spider 不會(huì)把這條 URL 直接刪除，短期內(nèi)會(huì)再訪問。屆時(shí)如果網(wǎng)頁(yè)已恢復(fù)，則正常抓取；如果繼續(xù)返回503，短期內(nèi)還會(huì)反復(fù)訪問幾次。但是如果網(wǎng)頁(yè)長(zhǎng)期返回503，那么這個(gè) URL 仍會(huì)被百度認(rèn)為是失效鏈接，從搜索結(jié)果中刪除。
403 返回碼的含義是 “Forbidden”，百度會(huì)認(rèn)為網(wǎng)頁(yè)當(dāng)前禁止訪問。對(duì)于這種情況，如果是新發(fā)現(xiàn)的URL，百度 spider 暫不抓取，短期內(nèi)會(huì)再次檢查；如果是百度已經(jīng)收錄的URL，當(dāng)前也不會(huì)直接刪除，短期內(nèi)同樣會(huì)再訪問。屆時(shí)如果網(wǎng)頁(yè)允許訪問，則正常抓取；如果仍不允許訪問，短期內(nèi)還會(huì)反復(fù)訪問幾次。但是如果網(wǎng)頁(yè)長(zhǎng)期返回403，百度也會(huì)認(rèn)為是失效鏈接，從搜索結(jié)果中刪除。
301 返回碼的含義是 “Moved Permanently”，百度會(huì)認(rèn)為網(wǎng)頁(yè)當(dāng)前跳轉(zhuǎn)至新URL。當(dāng)遇到站點(diǎn)遷移、域名更換和站點(diǎn)改版的情況時(shí)，推薦使用301返回碼，盡量減少改版帶來的流量損失。雖然百度spider 現(xiàn)在對(duì)301跳轉(zhuǎn)的響應(yīng)周期較長(zhǎng)，但還是推薦大家這么做。
