新闻源是指符合搜索引擎种子新闻站的标准，站内信息第一时间被搜索引擎优先收录，且被网络媒体转载成为网络海量新闻的源头媒体。新闻源在网络领域内地位举足轻重，具有公信力与权威性，也是辐射传播至国内媒体网络的源点。不同的搜索引擎对新闻收录的要求不同,符合百度新闻收录的不一定符合谷歌新闻收录。

二、百度新闻源收录的价值判断

百度新闻希望收录具备新闻编辑能力，拥有高质量的、与站点自身主题相匹配的原创资讯内容，在其目标领域内具有一定的用户认知度和一定规模的新闻站点。

好的新闻站点应该有一定公信力——有政府机构、传统媒体背景或者是口碑好的知名网站；同时站点发布的新闻与站点所属的领域相匹配。一般包括如下几类：

 （1）综合性门户网站的新闻资讯频道，如新浪，网易，腾讯，搜狐等；

 （2）正式出版的报刊、杂志、广播、电视台网络版等依托传统媒体建立的新闻网站；

 （3）由多家不同形态传统媒体联合组建的综合性新闻网站；

 （4）政府及组织机构的官方网站新闻资讯频道；

 （5）有地方政府背景或传统媒体背景的地方新闻站，需要在地方有一定的用户认识度和影响力；

 （6）拥有高质量的原创资讯内容，在其目标领域内具有一定的用户认知度和一定规模的忠实阅读群的垂直门户、行业资讯网站，具体包括游戏、汽车、房产、教育、时尚、科技、互联网、体育、娱乐、财经、军事、健康等等类别；

 （1）解决资源时效性：更新必须及时，能够第一时间发布最新的新闻、资讯等；

 （2）解决资源稀缺性：提供稀缺的、资源匮乏领域的独家原创内容；

 （3）解决资源零散性：散布在各种媒体的资源进行了高价值的收集和整理；

 （4）满足好的用户体验: 页面的打开速度快、干净清爽、排版合理、没有大幅的翻页；

必须符合国家相关法律法规，没有反动、色情、低质、作弊等内容。

三、百度新闻源收录的站点类型

四、百度新闻源收录简要标准

新闻源收录的前提必须是符合百度新闻源价值判断中的要求，具体不同类型的收录简要要求如下：

五、百度新闻源管理办法

违反如下原则的站点将视严重程度受到不同程度的惩罚：降低搜索引擎系统评价、目录或站点屏蔽清理出新闻源、整站屏蔽清理出新闻源。具体原则包括但不限于如下：

1、出售外链位置，违反绿萝算法1.0，如：

2、发布软文，违反绿萝算法2.0，如：

3、通过作弊方式获取流量，如：

4、用户体验极差：弹窗、广告繁多等等，违法石榴算法；

5、网站被黑，如果站点大范围被黑，同样将被暂时处理。

我们知道，做SEO的目的就是优化你的网站排名，其实在优化排名的时候也有一个指数比较重要，就是客户点击率。一般来讲一个品牌的知名度越高就会带来很多的品牌搜索量，这种搜索量会为您的网站积累权重，从而让网站排名稳定在前列。这也就是淘宝不让百度抓取还能排名靠前，小米手机官网经常改版，还是会排名不错。这就是品牌的力量，点击率的力量。那么我们在做SEO的时候也要尽可能的去多给你的网站推广出去，让更多的人看到有好东西而来看你的网站。今天野狼就给大家介绍几个能提升你网站流量的小工具吧。

例如：百度分享，jiathis都是很不错的分享组件。jiathis创建的比较早，所以有一定的客户基础，但是百度出来之后就用自动提交网址，加快网页收录等为亮点，一举获得了大量的用户群。现在又放出风声，说是要让百度分享行为直接参与网站的排名。那么现在看来网站上安装一个分享组件就很有必要了。至少他会有两个好处：1、方便大家推荐您的网站，让更多的人知道这个网站 2、迎合百度搜索引擎，让其更快收录和更多的给权重。

普遍来讲，在线客服有两种，一种是不需要电脑上登录任何软件就可以直接聊天的工具，例如53客服、百度商桥；另外一个是需要登录软件的聊天工具，例如：QQ、旺旺。野狼心目中给这几个工具进行一个排名是这样的：

不需要登录软件即可在线聊天的：53客服 或 百度商桥。

需要登录软件才可以在线聊天的：QQ 和 旺旺

也就是说，你应该两种都要用，第一种选用一个即可，第二种越多越好，不过说实在话这两个就已经够用了。需要提醒的是：现在百度商桥也有免费的，不再是做百度推广客户的专利了

留言板工具不是说的一般意义上的那种，而是现在有一种是插件形式的，别人评论的时候可以自动推荐到QQ微博等等，叫社会化评论系统。

这种评论工具不用登陆网站账号，直接用QQ，或者是微博登录即可。评论之后还转发。非常的不错。

统计工具就不说了，大家估计都已经熟知。现在比较多的有百度统计、站长统计。 

关于百度以及其它搜索引擎的工作原理，其实大家已经讨论过很多，但随着科技的进步、互联网业的发展，各家搜索引擎都发生着巨大的变化，并且这些变化都是飞快的，本文的目的，除了从百度官方的角度发出一些声音、纠正一些之前的误读外，还希望通过不断更新内容，与百度搜索引擎发展保持同步，给各位站长带来最新的、与百度高相关的信息。

本章主要内容分为四个章节，分别为：抓取建库；检索排序；外部投票；结果展现。

互联网信息爆发式增长，如何有效的获取并利用这些信息是搜索引擎工作中的首要环节，数据抓取系统作为整个搜索系统中的上游，主要负责互联网信息的搜集、保存、更新环节，它像蜘蛛一样在网络间爬来爬去，因此通常会被叫做“spider”，例如我们常用的几家通用搜索引擎蜘蛛被称为：Baiduspdier、Googlebot、Sogou Web Spider等。

1、Spider抓取系统的基本框架

Spider抓取系统是搜索引擎数据来源的重要保证，如果把web理解为一个有向图，那么，spider的工作过程可以认为是对这个有向图的遍历，从一些重要的种子URL开始，通过页面上的超链接关系，不断的发现新URL并抓取，尽最大可能抓取到更多的有价值网页。

对于类似百度这样的大型spider系统，因为每时每刻都存在网页被修改、删除或出现新的超链接的可能，因此，还要对spider过去抓取过的页面保持更新，维护一个URL库和页面库。

上图为spider抓取系统的基本框架图，其中包括链接存储系统、链接选取系统、dns解析服务系统、抓取调度系统、网页分析系统、链接提取系统、链接分析系统、网页存储系统，Baiduspider即是通过这种系统的通力合作完成对互联网页面的抓取工作。

上图看似简单，但其实Baiduspider在抓取过程中面对的是一个超级复杂的网络环境，为了使系统可以抓取到尽可能多的有价值资源并保持系统及实际环境中页面的一致性同时不给网站体验造成压力，会设计多种复杂的抓取策略，以下马海祥博客也为大家做下简单的介绍：

互联网资源庞大的数量级，这就要求抓取系统尽可能的高效利用带宽，在有限的硬件和带宽资源下尽可能多的抓取到有价值资源，这就造成了另一个问题，耗费被抓网站的带宽造成访问压力，如果程度过大将直接影响被抓网站的正常用户访问行为，因此，在抓取过程中就要进行一定的抓取压力控制，达到既不影响网站的正常用户访问又能尽量多的抓取到有价值资源的目的。

通常情况下，最基本的是基于ip的压力控制，这是因为如果基于域名，可能存在一个域名对多个ip（很多大网站）或多个域名对应同一个ip（小网站共享ip）的问题。

实际中，往往根据ip及域名的多种条件进行压力调配控制，同时，站长平台也推出了压力反馈工具，站长可以人工调配对自己网站的抓取压力，这时百度spider将优先按照站长的要求进行抓取压力控制。

对同一个站点的抓取速度控制一般分为两类：其一，一段时间内的抓取频率；其二，一段时间内的抓取流量。

同一站点不同的时间抓取速度也会不同，例如夜深人静月黑风高时候抓取的可能就会快一些，也视具体站点类型而定，主要思想是错开正常用户访问高峰，不断的调整，在马海祥看来，对于不同站点，也需要不同的抓取速度。

（2）、常用抓取返回码示意

简单介绍几种百度支持的返回码：

①、最常见的404代表“NOT FOUND”，认为网页已经失效，通常将在库中删除，同时短期内如果spider再次发现这条url也不会抓取（具体可查看马海祥博客《》的相关介绍）。

②、503代表“Service Unavailable”，认为网页临时不可访问，通常网站临时关闭，带宽有限等会产生这种情况，对于网页返回503状态码，百度spider不会把这条url直接删除，同时短期内将会反复访问几次，如果网页已恢复，则正常抓取；如果继续返回503，那么这条url仍会被认为是失效链接，从库中删除。

③、403代表“Forbidden”，认为网页目前禁止访问。如果是新url，spider暂时不抓取，短期内同样会反复访问几次；如果是已收录url，不会直接删除，短期内同样反复访问几次，如果网页正常访问，则正常抓取；如果仍然禁止访问，那么这条url也会被认为是失效链接，从库中删除。

④、301代表是“Moved Permanently”，认为网页重定向至新url，当遇到站点迁移、域名更换、站点改版的情况时，我们推荐使用301返回码，同时使用站长平台网站改版工具，以减少改版对网站流量造成的损失。

（3）、多种url重定向的识别

互联网中一部分网页因为各种各样的原因存在url重定向状态，为了对这部分资源正常抓取，就要求spider对url重定向进行识别判断，同时防止作弊行为。

重定向可分为三类：http 30x重定向、meta refresh重定向和js重定向，另外，百度也支持Canonical标签，在效果上可以认为也是一种间接的重定向。

（4）、抓取优先级调配

由于互联网资源规模的巨大以及迅速的变化，对于搜索引擎来说全部抓取到并合理的更新保持一致性几乎是不可能的事情，因此这就要求抓取系统设计一套合理的抓取优先级调配策略，主要包括：深度优先遍历策略、宽度优先遍历策略、pr优先策略、反链策略、社会化分享指导策略等等，每个策略各有优劣，在实际情况中往往是多种策略结合使用以达到最优的抓取效果。

（5）、重复url的过滤

spider在抓取过程中需要判断一个页面是否已经抓取过了，如果还没有抓取再进行抓取网页的行为并放在已抓取网址集合中，判断是否已经抓取其中涉及到最核心的是快速查找并对比，同时涉及到url归一化识别，例如一个url中包含大量无效参数而实际是同一个页面，这将视为同一个url来对待（具体可查看马海祥博客《》的相关介绍）。

（6）、暗网数据的获取

互联网中存在着大量的搜索引擎暂时无法抓取到的数据，被称为暗网数据，一方面，很多网站的大量数据是存在于网络数据库中，spider难以采用抓取网页的方式获得完整内容；另一方面，由于网络环境、网站本身不符合规范、孤岛等等问题，也会造成搜索引擎无法抓取。

目前来说，对于暗网数据的获取主要思路仍然是通过开放平台采用数据提交的方式来解决，例如“百度站长平台”“百度开放平台”等等。

spider在抓取过程中往往会遇到所谓抓取黑洞或者面临大量低质量页面的困扰，这就要求抓取系统中同样需要设计一套完善的抓取反作弊系统，例如分析url特征、分析页面大小及内容、分析站点规模对应抓取规模等等。

3、Baiduspider抓取过程中涉及的网络协议

刚才提到百度搜索引擎会设计复杂的抓取策略，其实搜索引擎与资源提供者之间存在相互依赖的关系，其中搜索引擎需要站长为其提供资源，否则搜索引擎就无法满足用户检索需求；而站长需要通过搜索引擎将自己的内容推广出去获取更多的受众。

spider抓取系统直接涉及互联网资源提供者的利益，为了使搜素引擎与站长能够达到双赢，在抓取过程中双方必须遵守一定的规范，以便于双方的数据处理及对接，这种过程中遵守的规范也就是日常中我们所说的一些网络协议，以下简单列举：

超文本传输协议，是互联网上应用最为广泛的一种网络协议，客户端和服务器端请求和应答的标准。

客户端一般情况是指终端用户，服务器端即指网站，终端用户通过浏览器、蜘蛛等向服务器指定端口发送http请求，发送http请求会返回对应的httpheader信息，可以看到包括是否成功、服务器类型、网页最近更新时间等内容。

实际是加密版http，一种更加安全的数据传输协议（具体可查看马海祥博客《》的相关介绍）。

UA即user-agent，是http协议中的一个属性，代表了终端的身份，向服务器端表明我是谁来干嘛，进而服务器端可以根据不同的身份来做出不同的反馈结果。

/seoyjy/1222.html，注明出处；否则，禁止转载；谢谢配合！