Google 搜索运作方式的深度指南
Google 搜索是一款全自动搜索引擎,会使用名为“网页抓取工具”的软件定期探索网络,找出可添加到 Google 索引中的网页。实际上,Google 搜索结果中收录的大多数网页都不是手动提交的,而是我们的网页抓取工具在探索网络时找到并自动添加的。
Google 搜索的 3 个阶段简介
Google 搜索的工作流程分为 3 个阶段,并非每个网页都会经历这 3 个阶段:
抓取:Google 会使用名为“抓取工具”的自动程序从互联网上发现各类网页,并下载其中的文本、图片和视频。
索引编制:Google 会分析网页上的文本、图片和视频文件,并将信息存储在大型数据库 Google 索引中。
呈现搜索结果:当用户在 Google 中搜索时,Google 会返回与用户查询相关的信息。
抓取
第一阶段是找出网络上存在哪些网页。不存在包含所有网页的中央注册表,因此 Google 必须不断搜索新网页和更新过的网页,并将其添加到已知网页列表中。此过程称为“网址发现”。由于 Google 之前已经访问过某些网页,因此这些网页是 Google 已知的网页。当跟踪已知网页上指向新网页的链接时,Google 会发现其他网页,例如类别网页等中心页会链接到新的博文。当您以列表形式(站点地图)提交一系列网页供 Google 抓取时,Google 也会发现其他网页。
Google 发现网页的网址后,可能会访问(或“抓取”)该网页以了解其中的内容。我们使用大量计算机抓取网络上的数十亿个网页。执行抓取任务的程序叫做 Googlebot(也称为抓取工具、漫游器或“蜘蛛”程序)。Googlebot 使用算法流程确定要抓取的网站、抓取频率以及要从每个网站抓取的网页数量。Google 的抓取工具也经过编程,确保不会过快地抓取网站,避免网站收到过多请求。此机制基于网站的响应(例如,HTTP 500 错误意味着“降低抓取速度”)。
但是,Googlebot 不会抓取它发现的所有网页。某些网页可能被网站所有者设置为禁止抓取,而其他网页可能必须登录网站才能访问。
在抓取过程中,Google 会使用最新版 Chrome 渲染网页并运行它找到的所有 JavaScript,此过程与浏览器渲染您访问的网页的方式类似。渲染很重要,因为网站经常依靠 JavaScript 将内容引入网页,缺少了渲染过程,Google 可能就看不到相应内容。
能否抓取取决于 Google 的抓取工具能否访问网站。Googlebot 访问网站时的一些常见问题包括:
服务器在处理网站时出现问题
网络问题
robots.txt 规则阻止 Googlebot 访问网页
索引编制
抓取网页后,Google 会尝试了解该网页的内容。这一阶段称为“索引编制”,包括处理和分析文字内容以及关键内容标记和属性,例如
在索引编制过程中,Google 会确定网页是否与互联网上的其他网页重复或是否为规范网页。 规范网页是可能会显示在搜索结果中的网页。为了选择规范网页,我们首先会将在互联网上找到的内容类似的网页归为一组(也称为聚类),然后从中选择最具代表性的网页。该组网页中的其他网页可作为备用版本在不同情况下提供,例如用户在移动设备上进行搜索时,或他们正在查找该组网页中的某个具体网页时。
Google 还会收集关于规范网页及其内容的信号,这些信号可能会在下一阶段(即在搜索结果中呈现网页)时用到。一些信号包括网页语言、内容所针对的国家/地区、网页易用性。
所收集的关于规范网页及其网页群组的相关信息可能会存储在 Google 索引(托管在数千台计算机上的大型数据库)中。我们无法保证网页一定会编入索引;并非 Google 处理的每个网页都会编入索引。
是否会编入索引还取决于网页内容及其元数据。一些常见的索引编制问题可能包括:
网页内容质量低
Robots meta 规则禁止编入索引
网站的设计可能使索引编制难以进行
呈现搜索结果
Google 不会通过收取费用来提高网页排名,网页排名是程序化地完成的。 详细了解 Google 搜索结果中的广告。
用户输入查询时,我们的机器会在索引中搜索匹配的网页,并返回我们认为与用户的搜索内容最相关的优质结果。相关性是由数百个因素决定的,其中可能包括用户的位置、语言和设备(桌面设备或手机)等信息。例如,在用户搜索“西安seo”后,Google 向巴黎用户显示的结果与向西安用户显示的结果有所不同。
根据用户的查询,搜索结果页上显示的搜索功能也会发生变化。例如,如果您搜索“西安seo”,系统可能会显示本地搜索结果,而不会显示图片搜索结果;不过,搜索“西安seo”更有可能显示图片搜索结果,但不会显示本地搜索结果。您可以在我们的视觉元素库中探索 Google 网页搜索中最常见的界面元素。
Search Console 可能提示您某个网页已编入索引,但您在搜索结果中看不到该网页。 这可能是因为:
网页内容与用户查询无关
内容质量低
Robots meta 规则阻止提供内容