爬行和抓取 是搜索引擎工作的第一步，完成数据收集任务。
1、蜘蛛：
搜索引擎用来爬行和访问页面的程序被称为蜘蛛（spider），也称为机器人（bot）。
2、跟踪链接：
为了抓取网上尽量多的页面，搜索引擎蜘蛛会跟踪页面上的链接，从一个页面爬到下一个页面，就好像蜘蛛在蜘蛛网上爬行那样，这也是搜索引擎蜘蛛这个名称的由来。
3、吸引蜘蛛：
理论上蜘蛛能爬行和抓取所有页面，但实际上不能，也不会这么做。SEO人员想要让自己的更多页面被收录，就要想方设法吸引蜘蛛抓取。
4、地址库：
为了避免重复爬行和抓取网址，搜索引擎会建立一个地址库，记录已经被发现还没有抓取的页面，以及已经被抓取的页面。
5、文件储蓄：
搜索引擎蜘蛛抓取的数据存入原始页面数据库。其他的页面数据与用户浏览器得到的HTML是完全一样的。每个URL都是这样一个独特的文件编号。
来源：搜外网
百度曾在站长贴吧里做过这样一个回复：从用户体验角度，“有些转载未必比原创差”。比方一篇科技原创博文，被知名门户网站的科技频道转载。如果这种转载保留原创者姓名和出处链接，实际上对原创者是有利的，因为起到了更好的传播效果。只是国内的转载，很多是掐头去尾，使原创者比较受伤。据资料表明近似重复网页的数量占网页总数的的比较高达全部页面的29%，而完全相同的页面大约占全部页面的22%。很多站长都会抱怨，自己写
1、打开头条搜索页面https://www.toutiao.com/search/ 2、输入关键词Bytespider 3、查看搜索结果，点击相关文章进入查看 4、对文章有点停留时间，提高效果 5、点击浏览其它文章，以此类推，不断完成搜索
相关统计数据表明：互联网上近似重复的网页的数量占网页总数量的比例高达29%，完全相同的网页大约占网页总数量的22%.研究表明，在一个大型的信息采集系统中，30%的网页是和另外70%的网页完全重复或近似重复的。即：互联网的网页中相当高的比例的网页内容是近似相同或完全相同的!搜索爬虫抓取会产生网页重复的类型：1.多个URL地址指向同一网页以及镜像站点如：www.sina.com 和www.sina.c
搜索引擎的工作原理可以简单地概括为以下几个步骤： 1. 搜索引擎的爬虫程序从网络上收集网页并建立一个索引，这个索引包括每个网页的关键词、标题、链接等信息。 2. 用户输入搜索关键词，搜索引擎会根据这个关键词来查找索引，找到与该关键词相关的网页。 3. 搜索引擎会对这些相关网页进行排序，通常是按照重要性和相关性等因素来排序，然后呈现给用户。 4. 用户点击搜索结果中的链接，进入相应网页。
