谷歌是怎么爬 React 网站的？

[lFOqSK]

最近尝试用 React 搭了一个网站。结果谷歌一上来爬就从 10000 页开始爬。我这网站最大页数也就 1000 多页，它直接爬第 10000 页，然后 8000 ，6000 这样。全部都是无内容页。
我的翻页器有明确告诉它我网站的头尾页网址，以及上一页和下一页的网址。而且是打印出来给它看的。但是它跟没看到一样，自己穷举页数。然后 search console 那给我告警说收录了上千页 bad page 。正经的内容页面就爬了一点点，其他全在浪费时间穷举我的页码。我真无语。之前 HTML 网站就没这个问题。
有人知道谷歌是怎么爬 React 网站的吗？这个穷举是它自己的爬虫逻辑，还是我网站有什么错误超链接导致的？

[lichao]

建议做一个 Sitemap 给它

[lFOqSK]

@lichao 做了呀。这个肯定是做了。但是它有自己的想法。

[likunyan]

从最新的爬，没毛病。不过他没有检测内容，因为你随机输出一些东西，只要不是 404 ，他就保存了。建议返回 404 。

[qqjt]

无内容页得返回 http 404 啊

[slime7]

看楼上说返回 404 ，我问一下前后端分离的页面怎么优雅返回 404 状态？

[Masterlxj]

你给它个 robots 不就好了么

[westoy]

蜘蛛不会穷举的

这是被伪装成 google 爬虫的给定向采集了

[Charrlles]

10000 页显示成软 404 ，加上 noindex 就可以了吧，或者直接重定向到 404 页面

[locoz]

@slime7 #5 我见过的大部分都是前端请求完列表接口之后，发现没有东西就跳转个 404 页面

[locoz]

@westoy #7 注意看人家说的啊，“然后 search console 那给我告警说收录了上千页 bad page”，都在 Google 自己的地方提示了怎么可能还是假 Google...

[lFOqSK]

@westoy 但是谷歌的 search console 上是显示是它自己爬的。它现在已经穷举了 5000 多页了。爬取结果都是 Duplicate without user-selected canonical 。然后最神奇最离谱的地方在于，理论上来说它应该告诉我它是从哪里知道我这个网址所以才来爬的。但是这些页面的 Referring page 全部都是页面自己。比如 ?page=10000 的 Referring page 就是 ?page=10000 ，一模一样一字不差。
我从来没见过这么离谱的事情……如果不是因为这个 Referring page 全部都是页面自己，我还真不会怀疑到谷歌的爬虫逻辑上……

[westoy]

@locoz
@lFOqSK

我的问题， 没注意， 武断了......

[terranboy]

SSR 了没 不然爬啥

[lFOqSK]

@qqjt
@Charrlles
谷歌是判定我的这些页面为软 404 （ Duplicate without user-selected canonical ）的。但是我纠结的地方在于，它浪费太多时间在穷举我的这些页码上面了。而我每页的内容，就是那些文章链接什么的，它只爬了很小一部分。而且它这个穷举目前根本没有停下来的意思。
目前，正经内容它只爬了 800 页左右，而这些穷举的 404 页面它爬了 5000 页了。而且我不知道它这样是在干嘛，如果爬完 10000 以内的页面，它是不是还回去爬大于 10000 的页面？因为谷歌对每个网站的爬取是有每日频次限制的，它这样浪费时间穷举，以前一个月就可以索引完整个网站，现在都过去半个月了，正经的内容才 800 页。整个网站爬完估计要花一年时间……

[lFOqSK]

@terranboy 我看它的 Crawled page 记录里显示的 html 是有把我特地给它准备的文章页和翻页隐藏超链接都渲染出来的，而且它确实有跟着这些超链接去爬我的文章页。所以我目前还没做 SSR 。之后研究下考虑弄一下 SSR 。
但是主要是它这个莫名其妙去穷举我没给过的页码的行为，太浪费时间了……

[terranboy]

@lFOqSK 也许他是看你是 REACT 页面 才会出现这些情况的 SSR 了看看吧

[yazoox]

楼主，怎么看 goolg 爬你的网站这些明细详细信息的？

[ericgui]

@yazoox +1 同问

[ericgui]

@yazoox 哦，人家说了就是 google search console
你搜一下

[blankmiss]

爬虫有自己的想法 哈哈哈