搜索引擎的工作过程一般分为三个阶段。
爬行和抓取：通过搜索引擎蜘蛛跟踪链接和访问页面，抓取内容，存入数据库。预处理：搜索引擎抓取的数据，会进行文字提取，中文分词，索引，倒排索引，方便日后排名程序调用。排名：用户输入查询关键以后，排名程序会调用索引库数据，按相关性生成搜索结果页面。1.1蜘蛛爬行和抓取是搜索引擎的第一步，收集数据的过程。搜索引擎是爬行和访问页面的自动程序收集数据，这种程序也叫蜘蛛或者机器人。就好的司令部放出去的收集情报的情报员一样。搜索引擎蜘蛛访问网站是和普通用户基本是一致的，蜘蛛程序访问页面以后，服务器会返回HTML代码，蜘蛛程序会把代码，出入原始页面数据库，搜索引擎会同时使用很多蜘蛛程序提高抓取数据的效率。情报员多了，自然信息收集的就会更多，工作效率也就更高了。蜘蛛访问网站时，会先访问网站的robots.txt文件，如果robots.txt文件里头有止访问的文件或者目录，蜘蛛就不会抓取。其实就是入乡随俗好，我这里不让吃猪肉，你虽然是干部，也好遵守，就是这个意思。搜索引擎蜘蛛也是有自己的用户代理名称的，就好像警察的工作证一样，执行公务的时候都要先把证件拿出来，蜘蛛也是一样的，站长可以通过日志文件看到蜘蛛的用户代理，从而识别出到底是什么搜索引擎的蜘蛛。比如：百度蜘蛛：Baiduspider+（+http://www.baidu.com/search/spider.html）360蜘蛛：Mozilla5.0（Windows；U；Windows NT 5.1；zh-CN;）Firefox/1.5.0.11;360Spider谷歌蜘蛛：Mozilla5.0（compatible；Googlebot/2.1；+http://www.google.com/bot.html）谷歌移动：Mozilla5.0（iPhone；CPU iPhone OS 6_0 like Mac OS X） AppleWebKit/536.26(KHTML,like Gecko)Version/6.0 Mobile/10A5376e Safari/8536.25(compatible;Googlebot/2.1;+http://www.google.com/bot.html)搜狗蜘蛛：Sogou+web+robot+（+http:www.sogou.com/docs/help/webmasters.html#07）1.2跟踪链接为了爬取更多的页面蜘蛛都是靠跟踪网页的的链接爬取的，从一个页面到另一个页面，蜘蛛从任何一个页面出发都能爬取到网上所有的页面，不过，网站的机构复杂，信息太多，所有蜘蛛爬行也是有一定策略的，一般是2中深度优先和广度优先。
从理论上来说，只要给蜘蛛足够的时间，就能爬完所有网络内容。其实在实际工作过程中，带宽和时间都不是无限的，也不可能爬完所有的页面。最大的搜索引擎也只能爬取和收录小部分内容。
1.3吸引蜘蛛
由此可见，虽然蜘蛛能爬行和抓取页面，但实际上还有很多页面蜘蛛是没有爬到的位置，所以我们就要想办法去吸引蜘蛛让蜘蛛来我这里爬取和抓取页面。既然不能抓取所有页面，肯定是要让蜘蛛抓取重要的页面。哪些页面比较重要？有几个方面的影响因素。
网站和页面权重。一般质量高，资格老的网站被认为是权重比较高，所以这种网站一般搜索的页面会更多，蜘蛛的爬行深度也会比较高。
更新速度。一般每次蜘蛛爬行完了会把页面保存起来，如果第二次来的时候页面完全没有变化，就说明内页没有更新，多次爬取对页面更新的速度有了了解，蜘蛛就不会频繁的抓取这个网站；相反，如果每次抓取都有新的内容，蜘蛛就会频繁的抓取这个网站的内容，从而，这个网站的新内容也会更快的被蜘蛛跟踪。
导入链接。无论是外部链接和是内容链接，如果想要蜘蛛抓取就必须要有链接导出，不然蜘蛛都不没有机会知道这个页面的存在。高质量的导入链接也会是页面的上的导出链接的爬行深度增加。【导入链接：其他网站链接到我站；导出链接：我链接到其他人的网站，单向的。】
与首页的点击距离。一般网站的首页是权重最高的，也是蜘蛛访问最频繁的。大部分外部链接指向的都是首页。所以距离首页越近的页面，权重也会更好，被蜘蛛爬行的几率也会越大。
URL结构。页面权重一般是收录以后进行迭代计算才是到的，那么搜索引擎蜘蛛在抓取前怎么知道这个页面的权重呢？其实蜘蛛会进行预判，除了链接、与首页距离、历史数据等因素以外，短的，层次浅的URL可能会被会被直管的认为是是权重比较高的网站。
1.4地址库
为了避免重复爬行和抓取地址，搜索引擎会建立一个地址库，记住已经被发现和没有抓取的网址，以及已经抓取的网址，蜘蛛发现链接后，并不是马上访问，而是出入地址库中，然后统一抓取。
地址库的URL有几个来源：自己录入的种子网站，蜘蛛抓取页面中的URL(会先和库里的数据比对，没有的会保存。),站长提交的网页地址，站长通过XML网站地图站长平台提交的链接。
一般站长提交上来的网址，会先存入地址库，能否被收录要看网页内容的重要性，搜索引擎的大部分内容来与蜘蛛爬取，提交的页面微乎其微，搜索引擎更喜欢自己爬取内容。
1.5文件存储
搜索引擎蜘蛛抓取的数据通统一放到原始数据库，与页面数据和用户浏览的搜索引擎完全一样，每一个URL都会有一个自己的编号。
1.6爬行时文章的内容重复性检测
检测和删除重复数据一般是在预处理过程中进行的，但是蜘蛛在爬行过程也会检测数据的的重复情况，如果遇到权重低的网站出现大量转载和抄袭的文章，蜘蛛就会不在继续爬行，这也是为什么很多站长看日志蜘蛛来过，但是网页基本不收录的原因。
预处理和排名会在下篇文章中写到，以上文章都是从书中所学到的SEO知识，如有雷同尽请见谅。
发稿网（QQ：599515669）是全国领先的在线新闻稿发布平台，团队由资深互联网专家组成，服务内容类涵盖软文发布、软文发布、微信营销、微博营销、视频置顶、百度问答等多种互联网广告行业。发稿网平台有上千媒介编辑、专业写手、段子手、营销专家，为企业、公共机构和个人提供定制化的解决方案，将创意、智慧、技能转化为商业价值和社会价值。发稿网平台凭借多年的网络资源和客户资源积累，发展遥遥领先同行业其他软文平台。