詳解《光年SEO日志分析系統(tǒng)2.0》

《光年SEO日志分析系統(tǒng)》的介紹：http://www.semyj.com/archives/1309
2.0版本的下載地址還是以前那個：http://www.semyj.com/upload/gnanalyzer.rar

第二版增加了更多的分析維度，還增加了日志拆分的功能。

下面先來看幾個固定的分析維度，下面的數(shù)據(jù)是semyj.com我這個博客的日志分析數(shù)據(jù)。

首先是“概要分析”：

概要分析

這里有各個爬蟲“訪問次數(shù)”、“總停留時間”和“總抓取量”的統(tǒng)計。從上面這個數(shù)據(jù)可以看出，百度爬蟲的抓取深度是不高的：訪問1868次，抓取量是2968，平均每次抓取1.59頁。這其實是百度爬蟲普遍的抓取特征，在絕大部分網(wǎng)站上都是這個規(guī)律。抓取深度不高的話，會造成很多層級很深的頁面不會被抓取到；以及造成少數(shù)頁面被反反復復在抓取，浪費了爬蟲的時間。這樣，很多網(wǎng)站想要在百度上獲得收錄就成了問題，特別是大中型網(wǎng)站。我所接觸的所有大中型網(wǎng)站，在刻意去優(yōu)化之前，一年下來很多網(wǎng)站至少還有一半的網(wǎng)頁沒有被百度爬蟲抓取到，部分網(wǎng)站甚至更嚴重。相比之下Google的抓取深度就好很多，總的抓取量也大一些。

這里面比較重要的數(shù)據(jù)是那個“總抓取量”，因為它影響網(wǎng)站的收錄量，進而影響網(wǎng)站的SEO流量。在《網(wǎng)頁加載速度是如何影響SEO效果的》一文中說明過抓取量和SEO流量的關系。這個“總抓取量”的數(shù)據(jù)是好還是壞，是要根據(jù)每個網(wǎng)站的實際情況來看的。就semyj.com這個網(wǎng)站來說，它現(xiàn)在有53篇文章，300多個網(wǎng)頁，而現(xiàn)在google每天有16484個抓取量，百度有2968個抓取量。如果光看這個數(shù)據(jù)，那看起來這300多個網(wǎng)頁基本上在一天之內(nèi)應該是能被抓取到的。但是很多大中型網(wǎng)站就不一樣。

這里我先要說明一個有些人會混淆的問題。為什么我上面會刻意說明一下文章數(shù)量和網(wǎng)頁數(shù)量呢，這是因為文章數(shù)量肯定是不等于網(wǎng)頁數(shù)量的。不過有些人去查收錄量的時候就忽視了這個常識。如某網(wǎng)站的文章量（或稱單個資訊數(shù)量）是30萬，去搜索引擎用site等語法去查詢收錄量是29萬，就覺得自己的收錄量差不多了，而實際可能差得很遠。

因為單個頁面都會派生出很多其他頁面的。如果打開某一個文章頁面，去數(shù)一下里面的URL，除去那些模板上重復的，還是有那么一些URL是只有當前這個頁面上才有的，也就是這個頁面派生出來的。而一個URL對應一個頁面，所以一個網(wǎng)站上擁有的頁面數(shù)量是這個網(wǎng)站的信息量的好幾倍，有時甚至是十幾二十倍。

所以在看這個“總抓取量”之前，需要把自己網(wǎng)站內(nèi)可能擁有的頁面數(shù)量統(tǒng)計一遍。可以用lynx在線版把每一類型的頁面上的URL都提取出來看一看。網(wǎng)頁總的數(shù)量知道了，再和“總抓取量”做對比，就可以知道這個數(shù)據(jù)是好還是差了。我覺得基本上，google爬蟲的抓取量要是網(wǎng)站頁面數(shù)量的2倍以上，抓取量才算及格，baidu爬蟲就需要更多了。因為實際上這個抓取量里面還有很多是重復抓取的；還有和上一天相比，每天的新增的頁面抓取不是很多的。

這三個數(shù)據(jù)：“訪問次數(shù)”、“總停留時間”和“總抓取量”，都是數(shù)字越高對網(wǎng)站越有利，所以需要想很多辦法提高他們。大多數(shù)時候看他們絕對值沒什么用處，而要看現(xiàn)在的和過去的比較值。如果你能每天去一直追蹤這些數(shù)據(jù)的變化情況，就能發(fā)現(xiàn)很多因素是如何影響這些數(shù)據(jù)的。

以下其他數(shù)據(jù)也是如此：某個當前數(shù)據(jù)的值有時候不一定有意義的，但是長期跟蹤這個數(shù)據(jù)的變化就能發(fā)現(xiàn)很多因素之間是如何互相影響的。

然后是“目錄抓取”的數(shù)據(jù)：

目錄抓取統(tǒng)計

這個“目錄”抓取的數(shù)據(jù)是對“總抓取量”的一個細分。一個網(wǎng)站當中，一定是有重點頁面和非重點頁面的，這個數(shù)據(jù)就可以讓你看看哪一類型的頁面被抓取的多，及時做一些調(diào)整。

還有就是可以去搜索引擎按URL特征查詢一下各個目錄下的頁面的收錄情況，再來和這個目錄下的搜索引擎的抓取數(shù)據(jù)做一個對比，就可以發(fā)現(xiàn)更多的問題。對于semyj.com來說，看完這個數(shù)據(jù)就知道，可能那300多個網(wǎng)頁在一天之內(nèi)還是不能全部被抓取一遍的，因為原來大部分抓取都在bbs這個目錄下。（有時候就是有很多這樣意外的情況發(fā)生，bbs這個目錄早已經(jīng)做了301跳轉，沒想到還有這么大的抓取量。——看數(shù)據(jù)永遠能知道真相是什么。）

接著是“頁面抓取”的數(shù)據(jù)：

頁面抓取

這個數(shù)據(jù)把一個網(wǎng)站中那些被重復抓取的頁面統(tǒng)計了出來，并分別統(tǒng)計是哪些爬蟲分別抓取了多少次。大家多分析幾個網(wǎng)站就會明白，百度爬蟲經(jīng)常是過度抓取的�？汀＿@個數(shù)據(jù)也驗證了前面的數(shù)據(jù)：因為它平均每次抓取1.59頁，也就是每次來抓取都停留在表層，但是又經(jīng)常來抓，所以勢必導致少部分頁面是經(jīng)常被百度抓取的。因為有重復抓取的存在，所以一個網(wǎng)站光看抓取量大不大是沒什么用的，還要看有多少不重復的頁面被抓取到了。還有就是要想辦法解決這個問題。

在“蜘蛛IP排行”數(shù)據(jù)里，統(tǒng)計了每個爬蟲IP的訪問情況：

IP排行

如果分析過很多網(wǎng)站，就會發(fā)現(xiàn)爬蟲對某一個站的訪問，特定時間內(nèi)的IP段都會集中在某一個C段。這是由搜索引擎的原理決定的，感興趣的朋友可以查詢相關書籍。知道這個特征有時候可以用得著。

報表里有個查詢IP地址的功能，可以查詢那些爬蟲IP是不是真的，如上圖紅框內(nèi)的IP，就是一個偽裝成google爬蟲的采集者。

這個數(shù)據(jù)和上面的所有數(shù)據(jù)都一樣，前后對比就可以發(fā)現(xiàn)更多的信息。

以下是“關鍵字分析”的數(shù)據(jù)：

關鍵詞分析

狀態(tài)碼

拆分字段

 只要你的網(wǎng)站日志是齊全的，有了日志拆分功能這個功能就相當于有了一個數(shù)據(jù)倉庫。這個時候查看網(wǎng)站的數(shù)據(jù)，就：只有你想不到，沒有它查不到的。

如：我們要查看上面那個偽裝成google蜘蛛的IP采集了哪些網(wǎng)頁，就把拆分條件定義為：ip等于222.186.24.59，agent等于googlebot，就可以把日志拆分出來了；還有要看是哪些IP在用黑客工具掃描網(wǎng)站時，就把拆分條件定義為：url等于MIRSERVER.RAR或等于WWWROOT.RAR等等就可以看到了。

我還建議大家多去拆分爬蟲的抓取軌跡，把某一個爬蟲IP的抓取路徑拆分出來，觀察它的抓取路徑，再和網(wǎng)站上的URL對應，就能明白爬蟲抓取的很多規(guī)律。

其實本來還應該開發(fā)一個日志合并的功能，但是這個功能實在太簡單，一般我們用DOS里面的copy命令就可以解決這個問題:

Copy命令

這樣，你可以把網(wǎng)站一星期內(nèi)的、一個月內(nèi)的甚至半年來的日志合并起來分析�！豆饽闟EO日志分析系統(tǒng)》是支持分析無限大的日志的，只要你有時間。

在“設置”-“性能設置”里，有兩個地方要注意。一個是那個“蜘蛛計算間隔”，這里表示一個蜘蛛多少時間內(nèi)沒有活動就算它離開了。這里要注意對比分析的時候每次都要是同一個時間，因為這里的時間按改變了，那計算爬蟲來訪的次數(shù)就變了。還有一個是“分析顯示條數(shù)”，現(xiàn)在你可以自己定義在報表中要顯示多少行數(shù)據(jù)，默認只有5條。

文章太長就寫到這里，《光年SEO日志分析系統(tǒng)》目前是收費的軟件，免費版能用10次或是30天。到光年論壇用論壇金幣可以購買。 

服務器租用/服務器托管中國五強！虛擬主機域名注冊頂級提供商！15年品質(zhì)保障！--億恩科技[ENKJ.COM]