【SEO教程】Twitter技术问题导致抓取和URL规范化问题

本文由 我爱深州 于 2015-1-11 15:16 发布在  深州房产    

  6月27号Google工具条PR更新了一次,然后很多人注意到Twitter首页PR降为零。(Google首页也降到9,不过这不是重点。)7月19号Google居然又更新一次工具条PR。Google更新工具条PR值从一个月一次变到3个月一次,甚至半年一次,所以这次不到一个月就再次更新有点蹊跷。据目前透露的信息,这次更新PR貌似主要就是为了修正Twitter PR值的问题。

  今天看到SEL上Vanessa Fox的一篇文章,解释了为什么Twitter的一些技术失误导致Google抓取、URL规范化、PR计算等一系列问题,很值得一读,所以大致翻译一下供读者参考。

  为什么不是Google的错误,Google却这么上心,更新了PR呢?猜测原因有二,一是无论任何情况下Twitter首页PR为零,大家肯定是说Google有问题,而不是Twitter有问题,虽然其实确实是Twitter自己造成的。二是,在Google+推出的同时,Google与Twitter合作合同到期了,不能直接通过API抓数据了,这时候Twitter PR降为零,大家恐怕心里会嘀咕,这Google真是过了河马上就拆桥啊,Google不想背这个黑锅。

  言归正传。

  Google一位发言人回复SEL关于Twitter PR时说:

  最近Twitter不断修改它们的robots.txt文件和HTTP头信息,玩得太起劲了,暂时造成Google算法处理Twitter时的URL规范化问题。现在规范化问题差不多解决了,所以我们更新了工具条PR以反映最新数据。Twitter在Google索引库里一直有很高PR,没有惩罚。

  所以Vanessa Fox研究了一下Twitter到底有什么robots文件、服务器头信息、URL规范化问题。真是不看不知道,一看吓一跳。顺便提一下,Vanessa Fox是前Google员工,负责网管工具webmaster tools的。

  预感这篇帖子会比较长,才刚开始就这么长了…

  Vanessa Fox搜了一下自己名字“Vanessa Fox”,结果如下图:

  

  有URL,但没标题,没说明,也就是其实没抓取,只是部分索引。

  直接搜Vanessa Fox自己Twitter页面URL的结果是:

  

  为什么出现了大写?URL最后面那个点(.)又是什么东东?到底怎么回事呢?

  先来看看Twitter的robots.txt文件

  twitter.com和www.twitter.com的robots.txt文件居然是不一样的。twitter.com/robots.txt是这样的:

  #Google Search Engine Robot

  User-agent: Googlebot

  # Crawl-delay: 10 — Googlebot ignores crawl-delay ftl

  Allow: /*?*_escaped_fragment_

  Disallow: /*?

  Disallow: /*/with_friends

  #Yahoo! Search Engine Robot

  User-Agent: Slurp

  Crawl-delay: 1

  Disallow: /*?

  Disallow: /*/with_friends

  #Microsoft Search Engine Robot

  User-Agent: msnbot

  Disallow: /*?

  Disallow: /*/with_friends

  # Every bot that might possibly read and respect this file.

  User-agent: *

  Disallow: /*?

  Disallow: /*/with_friends

  Disallow: /oauth

  Disallow: /1/oauth

  www.twitter.com/robots.txt是这样的:

  User-agent: *

  Disallow: /

  也就是说:

  •   某些情况下,带与不带www的两个版本内容可能是不一样的。

  •   Twitter貌似为了规范和网址,禁止搜索引擎爬行www版本。

  •   所以虽然www版本做了301转向到不带www的版本,但Twitter禁止搜索引擎抓www版本,所以搜索引擎蜘蛛看不到那个301啊。杯具啊。

  •   连向Twitter的链接有的是链到www版本,有的是不带www的版本,既然www版本禁止爬行,看不到301,链接权重不能传递,浪费了。

  所以在第一个抓图里看到返回的是带www的版本,可能原因是这个版本外链比较多,但Twitter禁止爬行,所以只是部分索引(也就是只有一些来自链接的数据,没有页面本身的内容)。

  再来看看302转向

  查一下twitter.com/vanessafox这个URL头信息,居然返回302转向到twitter.com/#!/vanessafox。为什么说“居然”呢?请参考301转向和302转向的区别。由于用的是302,权重没有转到twitter.com/#!/vanessafox

  而www.twitter.com/vanessafox做了301到twitter.com/vanessafox,当然,原因www版本被屏蔽,链接权重也传递不过来。为什么不从www.twitter.com/vanessafox直接301到twitter.com/#!/vanessafox(这才是Twitter想要的规范化版本)呢?就算要做两次转向,也都要用301嘛,也不能屏蔽www版本嘛。

  再来看看Twitter意图的AJAX抓取

  Twitter想要的规范化URL是twitter.com/#!/vanessafox,其中的#表示Twitter希望搜索引擎抓取页面AJAX内容。(这里技术问题比较复杂,就不解释了,即将出版的《SEO艺术》有关于AJAX内容和#符号使用的解释,广告一下,呵呵)。

  不过由于一系列复杂的转向,可能造成了问题:

  •   Google爬行不带www带#!的URL(twitter.com/#!/vanessafox),然后被转向到twitter.com/_escaped_fragment_/vanessafox

  •   然后Google又被301转向到带www不带#!的版本www.twitter.com/vanessafox

  •   而用户访问时JS将用户又转回到带#!的版本

  我读到这里时头脑已经比较凌乱了,总之,Twitter弄了一堆转向,目的是让twitter.com/vanessafox这个看着看着干干净净的版本出现在搜索结果中,但用户点击后又被转到twitter.com/#!/vanessafox。弄这么复杂干什么呢,越复杂越容易出错啊。

  Rate Limiting又是什么呢

  Twitter页面头信息里有一个rate limiting部分:

  HTTP/1.1 200 OK

  Date: Mon, 18 Jul 2011 20:48:44 GMT

  Server: hi

  Status: 200 OK

  X-Transaction: 1311022124-32783-45463

  X-RateLimit-Limit: 1000

  这个limiting又limit(限制)了什么呢?Vanessa Fox不清楚,我就更不知道了,以前没见过这个参数。但limit这个词暗示着是限制了什么和速度有关的东西,要是指抓取速度就惨了。

  URL中的大小写字母

  最后,如第二个抓图显示的,URL中出现大小写字母,这些都是不同URL,又会造成网址规范化、PR/权重分散、复制内容等等问题。

  终于到结尾了。总之,这种技术问题在很多大型网站是经常出现的,看似小问题,其实可能导致严重后果。

  

来自:黑喵博客

标签: SEO优化教程

黑喵SEM管理黑喵SEM-关于网络营销SEM和SEO的那些事儿黑喵SEM和SEO的那些事儿手机版RSS留言给黑喵SEM关于黑喵SEM

京ICP备13018586号 sitemap© 我爱深州网 本站如无意侵权,请尽快联系我们。