1. 重新编辑robots.txt文件，将网站中不需要抓取的页面和目录添加进去； 2. 如果抓取的网站带有反爬虫功能，建议可以设置User-Agent，以区分人为访问和爬虫程序进行访问； 3. 设置深度抓取，让程序对某个网页进行抓取时，只抓取它指定难度及深度的URL； 4. 不定时发起网站扫描任务，用来检查异常的URL，以及分析抓取URL的情况，同时将发现的问题处理掉； 5. 合理设置抓取速度，一般建议抓取的最高速度不宜超过网页平均加载速度的1/5，以免对网站服务器造成压力； 6. 建立黑名单，将连续多次无效抓取情况的网址纳入黑名单中，黑名单中的网址抓取程序会忽略其内容； 7. 禁止抓取某些特定格式的URL，例如`.pdf`、`.doc`等文件格式。
可能是因为网站存在未处理的URL链接或者被其他网站或者搜索引擎误解导致的，也有可能是恶意的爬虫在尝试攻击网站。为了解决这个问题，可以通过以下方式进行： 1. 对于不存在的页面，应该返回404错误页面或者301重定向到一个已有的页面； 2. 建立一个robots.txt文件来限制搜索引擎或者爬虫的访问； 3. 定期检查日志文件来发现存在攻击性的IP地址或者爬虫； 4. 部署防火墙、权限管理和加密措
隔天看快照收录了，但当天没有展现，这是什么原因？A：这种情况是完全有可能的，因为收录有很多条策略，有一些时效性比较强的内容，短时间有收录，过了这一段时间之后，用户对这个内容没有需求，或者搜索结果页展现了但用户没有点击这个内容等等原因，搜索会发现这些内容没有实际收录价值，后续可能会取消收录。来源：百度搜索资源平台 百度搜索学堂
不要看所谓的IP段，IP也不是一沉不变的，过去开头有220.181的 大家都知道，但是后面百度方面在不同的城市都建立了更多的服务器，总要有IP的增加，而IP段不可能一直是固定的那几个。所以单纯的以IP段来看，是非常不严谨的。那么如何查看呢？可以使用cmd命令： nslookup IP地址 的方式来进行查看，如果返回的信息中，有百度子域名，那么说明是百度的IP，如果无法返回，或者返回了诸
？ 1. 通过robots.txt可屏蔽Google、Baidu、Bing等常见的网站搜索引擎的抓取; 2. 通过User Agent阻止未知垃圾爬虫或无流量搜索引擎，通过历史行为表明该蜘蛛具有不良意图抓取数据; 3. 通过代理服务器设置黑名单，可以限制不同来源IP的访问； 4. 通过验证码屏蔽爬虫或机器人，使搜索结果不准确、不可用; 5. 通过网络防火墙设置黑白名单，阻止一些特定的网站
