索引頁作為網(wǎng)站重要組成部分，它的存在避免了網(wǎng)頁變的過長而導致搜索和閱讀產(chǎn)生困難，但是不合理的索引會給搜索引擎的Spider造成困惑，那么該如何設置一個合理的索引頁呢。下面由騏秀科技(廣州網(wǎng)站建設)來做個分析：

　　一、背景

　　Spider位于搜索引擎數(shù)據(jù)流的最上游，負責將互聯(lián)網(wǎng)上的資源采集到本地，提供給后續(xù)檢索使用，是搜索引擎的最主要數(shù)據(jù)來源之一。spider系統(tǒng)的目標就是發(fā)現(xiàn)并抓取互聯(lián)網(wǎng)中一切有價值的網(wǎng)頁，為達到這個目標，首先就是發(fā)現(xiàn)有價值網(wǎng)頁的鏈接，當前spider有多種鏈接發(fā)現(xiàn)機制來盡量快而全的發(fā)現(xiàn)資源鏈接，本文主要描述其中一種針對特定索引頁的鏈接補全機制，并給出對這種特定類型的索引頁面的建議處理規(guī)范用于優(yōu)化收錄效果。

　　當前大多數(shù)互聯(lián)網(wǎng)網(wǎng)站以索引頁和翻頁的形式來組織網(wǎng)站資源，當有新資源增加時，老資源往后推移到翻頁系列中。

　　如下圖所示：

　　圖表1

　　http://roll.news.sina.com.cn/news/gnxw/gdxw1/index.shtml

　　圖2為18小時后該網(wǎng)頁翻頁系列的第四頁的內(nèi)容，在這段時間內(nèi)新增了三頁多的資源，圖1中紅色矩陣圈到的資源在18個小時后已經(jīng)往后有序推移到第4頁的紅色方塊處。

　　圖表2 18小時后第四頁

　　http://roll.news.sina.com.cn/news/gnxw/gdxw1/index.shtml

　　對spider來說，這種特定類型的索引頁是資源鏈接發(fā)現(xiàn)的一種有效渠道，但是由于spider是定期檢查這些網(wǎng)頁來獲得新增的資源鏈接，檢查的周期同資源鏈接發(fā)布的周期不可避免會有不同(spider會盡量探測網(wǎng)頁的發(fā)布周期，以合理的頻率來檢查網(wǎng)頁)，周期不同的時候，資源鏈接很有可能就被推到翻頁序列中，所以spider需要對這種特殊類型的翻頁系列作翻頁補全，從而保證收錄資源的完全。

　　二、主要思路

　　本文主要討論這種資源按發(fā)布時間有序排布的網(wǎng)頁，即新發(fā)布的資源排布在翻頁第1頁(或翻頁最后一頁)，老的資源往后(或者往前)有序推移的索引頁的補全機制。主要思路是將整個翻頁系列的網(wǎng)頁看成一個整體，綜合判定它們的抓取狀態(tài)，通過記錄每次抓取網(wǎng)頁發(fā)現(xiàn)的資源鏈接，然后將此次發(fā)現(xiàn)的資源鏈接與歷史上發(fā)現(xiàn)的資源鏈接作比較，如果有交集，說明該次抓取發(fā)現(xiàn)了所有的新增資源;否則，說明該次抓取并未發(fā)現(xiàn)所有的新增資源，需要繼續(xù)抓取下一頁甚至下幾頁來發(fā)現(xiàn)所有的新增資源。

　　2.1 資源鏈接是否按照時間排序

　　判斷資源是否按發(fā)布時間排布是這類頁面的一個必要條件，那么如何判斷資源是否按發(fā)布時間排布呢?如上面圖1所示，有些頁面中每個資源鏈接后面跟隨著對應的發(fā)布時間，通過資源鏈接對應的時間集合，判斷時間集合是否按大到小或小到大排序，如果是的話，則說明網(wǎng)頁中的資源是按發(fā)布時間有序排布，反之亦然。圖1中資源從上到下對應的時間是越來越小的，即是資源按發(fā)布時間有序的。

　　還有一類網(wǎng)頁，如下面圖3所示，網(wǎng)頁內(nèi)容中有多種排序方式，如按銷量排序，按價格排序，如評論數(shù)排序，按上架時間排序。通過識別和提取當前的排序方式，然后判斷當前的排序方式是否為按時間排序，如果是，則說明網(wǎng)頁中的資源是按發(fā)布時間有序排布，反之亦然。圖3中的排序方式是按上架時間排序，屬于時間排序方式，所以該網(wǎng)頁發(fā)布的資源是按發(fā)布時間有序的。

　　另外也會根據(jù)資源鏈接抓回后提取的發(fā)布時間綜合判斷。

　　圖表3 多種排序方式的索引頁

　　2.2 補全機制

　　對于按發(fā)布時間有序排布在索引頁系列的資源鏈接，如何保證新發(fā)布的資源都被收錄呢?如上述所說，在18個小時后，圖1中的資源鏈接已經(jīng)往后有序推移到翻頁第4頁了，如此看，這段時間內(nèi)新增了翻頁第2，3，4頁索引的資源鏈接，那么，spider就需要完全的收錄這些新增的資源;

　　首先，當spider抓取18小時后的第1頁時，將新發(fā)現(xiàn)的資源鏈接集合，與上一次18小時前第1頁索引頁調(diào)度記錄的資源鏈接集合作比較，會發(fā)現(xiàn)兩次調(diào)度發(fā)現(xiàn)的資源鏈接沒有交集，所以就可能存在漏鏈。進而需要繼續(xù)發(fā)起第2頁的調(diào)度，第2頁發(fā)現(xiàn)的資源鏈接集合與之仍然沒有交集，所以還可能存在漏鏈，繼續(xù)發(fā)起第3頁，第4頁的調(diào)度，最終如圖2所示，紅框中的鏈接與上一次索引頁調(diào)度記錄的資源鏈接有交集，因此可以斷定已經(jīng)補全了這段時間內(nèi)新增的資源，從而結(jié)束翻頁系列的調(diào)度，并保證了該翻頁系列的所有鏈接的補全，從而提升搜索產(chǎn)品的收錄效果。

　　2.3 翻頁條的識別和翻頁條對應的鏈接序列區(qū)塊的識別

　　為了達到上面的效果，除了需要識別翻頁系列的排序方式是不是按照時間排序，還需要識別索引頁中的翻頁條和其對應的鏈接區(qū)塊。

　　因為沒有翻頁條的識別，spider系統(tǒng)就不可能把這個翻頁序列的所有鏈接綁定起來，整體考慮它們的狀態(tài)，那么調(diào)度抓取的結(jié)果就是隨機的，從而不能保證補全效果，當前通過網(wǎng)頁中的翻頁的一系列特征，通過機器學習的方法來識別網(wǎng)頁中的翻頁區(qū)塊和翻頁深度，以及上一頁，下一頁的鏈接，從而為上述補全機制提供基本數(shù)據(jù)。

　　另外一方面，即使有了翻頁條的識別，沒有對應鏈接區(qū)塊的識別，上述補全機制還是不能工作，因為上述機制需要對比發(fā)現(xiàn)的鏈接的集合來判定終止條件，所以，也需要識別翻頁條對應的鏈接區(qū)塊，從而提供翻頁終止條件。

　　特殊情況下，一個網(wǎng)頁可能包含多個翻頁條，這種情況更需要進行翻頁條和鏈接區(qū)塊的對應。

　　三、建議的方法和標準

　　當前百度spider系統(tǒng)對網(wǎng)頁的類型，網(wǎng)頁中翻頁條的位置，翻頁條對應的索引列表，以及列表是否按照時間排序都會做相應的判斷，并根據(jù)實際的情況進行處理，但是機器自動的判斷方法畢竟不能做到100%的識別準確率，所以如果站長能夠通過在頁面中添加一些百度推薦的標簽來標志相應的功能區(qū)域，就可以極大地提高我們識別的準確率，從而提高spider系統(tǒng)對網(wǎng)站資源發(fā)現(xiàn)的即時性，從而提高網(wǎng)站的收錄效果。