詳解《光年SEO日志分析系統(tǒng)2.0》
來源:SEM 一家之言 2011-12-02
《光年SEO日志分析系統(tǒng)》剛才升級(jí)到了2.0，有朋友在論壇里提問說不知道怎么用數(shù)據(jù)分析來指導(dǎo)業(yè)務(wù)，我就趁新版本發(fā)布的時(shí)候順便說明一下各項(xiàng)功能。 《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(gè)：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(gè)固定的分析維度，下面的數(shù)據(jù)是semyj.com我這個(gè)博客的日志分析數(shù)據(jù)。 首先是“概要分析”： 這里有各個(gè)爬蟲“訪問次數(shù)”、“總停留時(shí)間”和“總抓取量”的統(tǒng)計(jì)。從上面這個(gè)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(yè)。這其實(shí)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(gè)規(guī)律。抓取深度不高的話，會(huì)造成很多層級(jí)很深的頁(yè)面不會(huì)被抓取到；以及造成少數(shù)頁(yè)面被反反復(fù)復(fù)在抓取，浪費(fèi)了爬蟲的時(shí)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(yè)沒有被百度爬蟲抓取到，部分網(wǎng)站甚至更嚴(yán)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(gè)“總抓取量”，因?yàn)樗绊懢W(wǎng)站的收錄量，進(jìn)而影響網(wǎng)站的SEO流量。在《網(wǎng)頁(yè)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(guān)系。這個(gè)“總抓取量”的數(shù)據(jù)是好還是壞，是要根據(jù)每個(gè)網(wǎng)站的實(shí)際情況來看的。就semyj.com這個(gè)網(wǎng)站來說，它現(xiàn)在有53篇文章，300多個(gè)網(wǎng)頁(yè)，而現(xiàn)在google每天有16484個(gè)抓取量，百度有2968個(gè)抓取量。如果光看這個(gè)數(shù)據(jù)，那看起來這300多個(gè)網(wǎng)頁(yè)基本上在一天之內(nèi)應(yīng)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(gè)有些人會(huì)混淆的問題。為什么我上面會(huì)刻意說明一下文章數(shù)量和網(wǎng)頁(yè)數(shù)量呢，這是因?yàn)槲恼聰?shù)量肯定是不等于網(wǎng)頁(yè)數(shù)量的。不過有些人去查收錄量的時(shí)候就忽視了這個(gè)常識(shí)。如某網(wǎng)站的文章量（或稱單個(gè)資訊數(shù)量）是30萬，去搜索引擎用site等語(yǔ)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(shí)際可能差得很遠(yuǎn)。 因?yàn)閱蝹�(gè)頁(yè)面都會(huì)派生出很多其他頁(yè)面的。如果打開某一個(gè)文章頁(yè)面，去數(shù)一下里面的URL，除去那些模板上重復(fù)的，還是有那么一些URL是只有當(dāng)前這個(gè)頁(yè)面上才有的，也就是這個(gè)頁(yè)面派生出來的。而一個(gè)URL對(duì)應(yīng)一個(gè)頁(yè)面，所以一個(gè)網(wǎng)站上擁有的頁(yè)面數(shù)量是這個(gè)網(wǎng)站的信息量的好幾倍，有時(shí)甚至是十幾二十倍。 所以在看這個(gè)“總抓取量”之前，需要把自己網(wǎng)站內(nèi)可能擁有的頁(yè)面數(shù)量統(tǒng)計(jì)一遍�？梢杂胠ynx在線版把每一類型的頁(yè)面上的URL都提取出來看一看。網(wǎng)頁(yè)總的數(shù)量知道了，再和“總抓取量”做對(duì)比，就可以知道這個(gè)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(yè)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?yàn)閷?shí)際上這個(gè)抓取量里面還有很多是重復(fù)抓取的；還有和上一天相比，每天的新增的頁(yè)面抓取不是很多的。 這三個(gè)數(shù)據(jù)：“訪問次數(shù)”、“總停留時(shí)間”和“總抓取量”，都是數(shù)字越高對(duì)網(wǎng)站越有利，所以需要想很多辦法提高他們。大多數(shù)時(shí)候看他們絕對(duì)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(gè)當(dāng)前數(shù)據(jù)的值有時(shí)候不一定有意義的，但是長(zhǎng)期跟蹤這個(gè)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)： 這個(gè)“目錄”抓取的數(shù)據(jù)是對(duì)“總抓取量”的一個(gè)細(xì)分。一個(gè)網(wǎng)站當(dāng)中，一定是有重點(diǎn)頁(yè)面和非重點(diǎn)頁(yè)面的，這個(gè)數(shù)據(jù)就可以讓你看看哪一類型的頁(yè)面被抓取的多，及時(shí)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(gè)目錄下的頁(yè)面的收錄情況，再來和這個(gè)目錄下的搜索引擎的抓取數(shù)據(jù)做一個(gè)對(duì)比，就可以發(fā)現(xiàn)更多的問題。對(duì)于semyj.com來說，看完這個(gè)數(shù)據(jù)就知道，可能那300多個(gè)網(wǎng)頁(yè)在一天之內(nèi)還是不能全部被抓取一遍的，因?yàn)樵瓉泶蟛糠肿ト《荚赽bs這個(gè)目錄下。（有時(shí)候就是有很多這樣意外的情況發(fā)生，bbs這個(gè)目錄早已經(jīng)做了301跳轉(zhuǎn)，沒想到還有這么大的抓取量�！磾�(shù)據(jù)永遠(yuǎn)能知道真相是什么。） 接著是“頁(yè)面抓取”的數(shù)據(jù)： 這個(gè)數(shù)據(jù)把一個(gè)網(wǎng)站中那些被重復(fù)抓取的頁(yè)面統(tǒng)計(jì)了出來，并分別統(tǒng)計(jì)是哪些爬蟲分別抓取了多少次。大家多分析幾個(gè)網(wǎng)站就會(huì)明白，百度爬蟲經(jīng)常是過度抓取的�？汀＿@個(gè)數(shù)據(jù)也驗(yàn)證了前面的數(shù)據(jù)：因?yàn)樗骄看巫ト?.59頁(yè)，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(shì)必導(dǎo)致少部分頁(yè)面是經(jīng)常被百度抓取的。因?yàn)橛兄貜?fù)抓取的存在，所以一個(gè)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(fù)的頁(yè)面被抓取到了。還有就是要想辦法解決這個(gè)問題。 在“蜘蛛IP排行”數(shù)據(jù)里，統(tǒng)計(jì)了每個(gè)爬蟲IP的訪問情況： 如果分析過很多網(wǎng)站，就會(huì)發(fā)現(xiàn)爬蟲對(duì)某一個(gè)站的訪問，特定時(shí)間內(nèi)的IP段都會(huì)集中在某一個(gè)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(guān)書籍。知道這個(gè)特征有時(shí)候可以用得著。 報(bào)表里有個(gè)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(gè)偽裝成google爬蟲的采集者。 這個(gè)數(shù)據(jù)和上面的所有數(shù)據(jù)都一樣，前后對(duì)比就可以發(fā)現(xiàn)更多的信息。 以下是“關(guān)鍵字分析”的數(shù)據(jù)： “類型”這里是說明這個(gè)關(guān)鍵詞是從網(wǎng)頁(yè)搜索還是圖片搜索或視頻搜索里來的SEO流量。而“上次用關(guān)鍵字”，是統(tǒng)計(jì)用戶搜索當(dāng)前的關(guān)鍵詞進(jìn)入網(wǎng)站之前，是在搜索什么詞語(yǔ)。這個(gè)功能只有百度有效，因?yàn)榘俣仍趗rl中記錄了用戶上次使用的關(guān)鍵詞。 這個(gè)地方的界面還需要修改，下一版本中會(huì)完善。 “狀態(tài)碼分析”報(bào)告中，現(xiàn)在把用戶碰到的狀態(tài)嗎和爬蟲碰到的狀態(tài)碼分開了，其他沒有什么改變： 這里每一行數(shù)據(jù)都分為兩個(gè)部分，第1部分是表示哪個(gè)文件出現(xiàn)了這個(gè)狀態(tài)碼，第2部分是表示發(fā)生在哪個(gè)網(wǎng)頁(yè)。從上面的數(shù)據(jù)可以看出，這個(gè)網(wǎng)站在被一些黑客工具掃描。 在《光年SEO日志分析系統(tǒng)》第二版中，最重要的升級(jí)是增加了“日志拆分”功能。有了這個(gè)功能，就可以用任意維度去分析網(wǎng)站日志了。 以下是可以拆分的日志字段： 只要你的網(wǎng)站日志是齊全的，有了日志拆分功能這個(gè)功能就相當(dāng)于有了一個(gè)數(shù)據(jù)倉(cāng)庫(kù)。這個(gè)時(shí)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(gè)偽裝成google蜘蛛的IP采集了哪些網(wǎng)頁(yè)，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(shí)，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(gè)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(duì)應(yīng)，就能明白爬蟲抓取的很多規(guī)律。 其實(shí)本來還應(yīng)該開發(fā)一個(gè)日志合并的功能，但是這個(gè)功能實(shí)在太簡(jiǎn)單，一般我們用DOS里面的copy命令就可以解決這個(gè)問題: 這樣，你可以把網(wǎng)站一星期內(nèi)的、一個(gè)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(shí)間。 在“設(shè)置”-“性能設(shè)置”里，有兩個(gè)地方要注意。一個(gè)是那個(gè)“蜘蛛計(jì)算間隔”，這里表示一個(gè)蜘蛛多少時(shí)間內(nèi)沒有活動(dòng)就算它離開了。這里要注意對(duì)比分析的時(shí)候每次都要是同一個(gè)時(shí)間，因?yàn)檫@里的時(shí)間按改變了，那計(jì)算爬蟲來訪的次數(shù)就變了。還有一個(gè)是“分析顯示條數(shù)”，現(xiàn)在你可以自己定義在報(bào)表中要顯示多少行數(shù)據(jù)，默認(rèn)只有5條。 文章太長(zhǎng)就寫到這里，《光年SEO日志分析系統(tǒng)》目前是收費(fèi)的軟件，免費(fèi)版能用10次或是30天。到光年論壇用論壇金幣可以購(gòu)買。 http://www.gnbase.com/plugin.php?id=phpcome_gift:index ——–以下是廣告———————- 第二期SEO培訓(xùn)2月26日開始 兩個(gè)微博：騰訊http://t.qq.com/guoping001 新浪 http://t.sina.com.cn/1688760913
我的評(píng)論
| 登錄賬號(hào)： | 密碼： | 快速注冊(cè) | 找回密碼 |  |
