是否被爬虫爬过
页面质量是否过关
上一篇文章已经提过了收录率这么一个指标，很多网站都懒得去做这个指标，“我看看site的数据不就行了!”，事实上没有这个指标，很多工作就无从下手。从数据中找出问题，利用数据指导解决方案，分析数据验证工作成果。 最近看了《深入浅出数据分析》这个本，觉得不错，把数据分析的方法讲得很生动，建议有兴趣的从事数据分析的同学可以买本看看。 任何数据分析由，目标->分析->评估->决策，四个环节组成。
目标：我们想看一下网站的收录情况如何，在SEO方面是否还有提高的机会。
分析：收录情况什么算好什么算坏，是不是用一些指标来衡量?网站的收录情况是不是过于笼统，是不是应该细分下各个页面的收录情况?
评估：于是我们需要下面一些数据
网站的页面层级关系
各个层级页面带来的SEO流量
各个层级页面的收录情况如何
SEO流量的占比可以从Google Analytics中过滤出来。
页面数量可以从数据库获得，或者通过火车头or自制小脚本抓取统计。
收录率可以将获取的页面通过工具进行搜索，火车头也可以。
这边广告下zero的工具:http://www.gnbase.com/forum.php?mod=viewthread&tid=11468&highlight=%CA%D5%C2%BC%B2%E9%D1%AF
问题立马凸显!
1+2级目录页带来了大量的流量，收录率不是很好，优化收录的流量提升突破口在此!
产品页面数量很多，收录也不是很理想，但是带来的流量有限，除了收录问题，还有页面内容的问题，本文中先不管它了。
决策：我们的结论是立刻展开行动对目录页面进行收录的优化。
看到这边，似乎刚开始的目标：“通过优化收录提升流量”
演变成了新的目标：“如何提高目录页面的收录量”
这边能不能再次通过数据分析的方法进行SEO呢?
答案是肯定的!
我们再来重新走一遍 目标->分析->评估->决策 的过程
目标：提高目录页面的收录量
分析：通过本文开始的有关收录的两个因素，我们需要检查一下，网页是否被爬虫爬行过，网页的质量是不是过关。
1. 关于爬虫的情况，我们需要分析日志，才能确定。于是我们从日志中拆分一系列数据看看页面是否真的被爬行过。
2. 由于页面质量似乎是一个很难衡量的值，于是我们可以用相同模板下的：
已被爬行的页面数量/已被爬行并且被收录页面数量
来评估该模板页面质量对收录的影响大小。如果被爬的页面都被收录了，那至少说明这套页面的内容搜索引擎还算认可。(实际情况远比这个复杂，而且收录后也有可能因为质量问题被删除，但总比什么参照都没有要好，对吧!)
评估：(敏感信息用编号代替，均为真实数据)
先看一下爬虫日志的情况，通过Shell脚本，我们可以分析出。
目录总计被爬行的次数为13000次左右
不重复的目录爬行次数为5500次左右
频道A下的目录几乎被100%抓取过至少1次，频道B的目录抓取也不错，有70%被至少抓过一次。
其余频道下的目录被抓取的覆盖率不到30%
不要觉得这个结果很神奇，其实很多网站都会面对这样的糟糕问题，只要你把数据不断的细分，细分，再细分，总会观察出一些端倪的。
关于日志分析，不要迷信任何的日志分析软件，那都是给懒人用的，自制脚本+Excel才是王道，可以拆分显示出任何你想要的数据，当然，甚至可以连Excel都不要。
然后，我们统计了一下被抓得最频繁的频道A和频道B，目录页的收录率
频道A和B是很让人放心的，说明页面质量没问题，但是余下的收录情况就让人比较担心了。
决策：通过上面的数据评估，我们已经得到了如下结论。
页面质量并不是影响收录的原因。
频道A，B的抓取量异常的高，通过调查了解，原来是首页上的目录页，显示的全是频道A下的目录页，首页又拥有全站最高的权重。频道B拥有比其他频道强大的外链资源，权重也非常高。
除了A, B频道，其他频道的抓取情况不容乐观，抓取入口太少，太深，进而影响了收录情况。
很明显，现在频道A从站内的角度来说太强大了，必须进行一些“劫富济贫”的运动来降低频道A的抓取量，转移到其他频道中去。同时，需要给爬虫提供更多的入口抓取频道页。
现在问题变得清晰起来，我们开始把工作分成两部分：1.提供更多的入口 2.将资源平分给各频道而不是集中在少数几个频道上。
提供入口工作：
1.把目录页的URL制作成sitemap。提交给搜索引擎，并且将其设置为比较高的抓取权重。
2.完善面包屑导航，将面包屑导航划分得更加细致，以提供更多入口
3.在其他产品中推荐目录页
资源平分工作：(一些概念：任意页面都有可能成为爬虫入口，百度爬虫抓取深度有限，页面相对入口越浅，被抓取的概率越高。)
1.原先首页指向的都是频道A的目录页+产品页，将其全部nofollow，确保从首页进入的爬虫，全部抓取到频道页，通过频道页再进入目录页(其实这个不算太重要)
2.原先频道页指向自身的产品页，将其全部nofollow(确保从频道页入口的爬虫，最大程度的抓取目录页)
3.从目录页返回到首页的链接，将其全部nofollow。
4.减少一些页面上无关链接。(什么情况下这么做都是非常有效的。)
现在可以开始动手了。。
成果
这么做到底有什么效果呢，我们来看看修改后1个月后的数据。
目录页的收录率提高了100%!
产品页的收录率也有一定程度的提高，这是归功于目录页对于产品的良好展现。
目录页的SEO表现：
SEO流量占比上升了15%
增长10%的到访关键词数量(新页面的收录)
SEO流量增长了50%以上。(包含一些季节因素)
备注：
1.除了收录，排名也是问题，可以同步关注。
2.对于频道A这样特殊情况，甚至可以对其进行全屏蔽，但是技术上实现起来会略微麻烦。
3.百度对nofollow的支持据说很混乱，有认识百度内部人士可以帮忙问一下