搜索引擎如何抓取网页(越来越多的网站采用"单页面结构”（Single）)

　　搜索引擎如何抓取网页(越来越多的网站采用"单页面结构”（Single）)

　　越来越多的网站开始采用“单页应用”。

　　整个网站只有一个网页，利用Ajax技术根据用户的输入加载不同的内容。

　　这种方式的优点是用户体验好，节省流量。缺点是 AJAX 内容无法被搜索引擎抓取。例如，您有一个 网站。

　　http://example.com

　　用户可以通过井号构造的 URL 看到不同的内容。

　　http://example.com#1

　　http://example.com#2

　　http://example.com#3

　　但是，搜索引擎只会抓取并忽略井号，因此它们无法索引内容。

　　为了解决这个问题，谷歌提出了“井号+感叹号”的结构。

　　http://example.com#!1

　　当谷歌找到上述网址时，它会自动抓取另一个网址：

　　http://example.com/?_escaped_fragment_=1

　　只要你把 AJAX 内容放到这个 URL 上，Google 就会收录。但问题是“井号+感叹号”非常丑陋和繁琐。Twitter曾经使用这种结构，它把

　　http://twitter.com/ruanyf

　　改成

　　http://twitter.com/#!/ruanyf

　　结果，用户抱怨连连，只用了半年时间就废了。

　　那么，有没有什么办法可以让搜索引擎在保持一个更直观的URL的同时抓取AJAX内容呢？

　　一直觉得没办法，直到前两天看到一位Discourse创始人的解决方案，忍不住尖叫起来。

　　Discourse 是一个严重依赖 Ajax 的论坛程序，但它必须让 Google收录 内容。它的解决方案是放弃hash结构，使用History API。

　　所谓History API，是指在不刷新页面的情况下，改变浏览器地址栏中显示的URL（准确的说是改变网页的当前状态）。这是一个示例，您单击上面的按钮开始播放音乐。然后，点击下面的链接看看发生了什么？

　　地址栏中的网址已更改，但音乐播放并未中断！

　　History API 的详细介绍超出了本文章的范围。简单的说到这里，它的作用就是给浏览器的History对象添加一条记录。

　　window.history.pushState(state object, title, url);

　　上面这行命令可以让地址栏中出现一个新的 URL。History对象的pushState方法接受三个参数，新的URL为第三个参数，前两个参数可以为null。

　　window.history.pushState(null, null, newURL);

　　目前主流浏览器都支持这种方式：Chrome（26.0+）、Firefox（20.0+）、IE（10.0+）、Safari（5.1+)、歌剧 (12.1+)。

　　这是罗宾沃德的方法。

　　首先，用History API替换hash结构，让每个hash符号变成一个正常路径的URL，这样搜索引擎就会抓取每一个网页。

　　example.com/1

　　example.com/2

　　example.com/3

　　然后，定义一个 JavaScript 函数来处理 Ajax 部分并根据 URL 抓取内容（假设使用 jQuery）。

　　 function anchorClick(link) { var linkSplit = link.split('/').pop();

　　　　$.get('api/' + linkSplit, function(data) {

　　　　　　$('#content').html(data); }); }

　　然后定义鼠标的点击事件。

　　$('#container').on('click', 'a', function(e) {

　　　　window.history.pushState(null, null, $(this).attr('href')); anchorClick($(this).attr('href'));

　　　　e.preventDefault(); });

　　还要考虑用户单击浏览器的“前进/后退”按钮。这时候会触发History对象的popstate事件。

　　window.addEventListener('popstate', function(e) { anchorClick(location.pathname); });

　　定义以上三段代码后，无需刷新页面即可显示正常路径URL和AJAX内容。

　　最后，设置服务器端。

　　因为没有使用 hashtag 结构，所以每个 URL 都是不同的请求。因此，服务器需要向所有这些请求返回具有以下结构的网页，以防止 404 错误。

　　　　　　　　... ...

　　仔细看上面的代码，你会发现一个noscript标签，这就是秘密。

　　我们将所有我们想要搜索引擎的内容放在了 noscript 标签中。在这种情况下，用户仍然可以在不刷新页面的情况下进行AJAX操作，但是搜索引擎会收录每个页面的主要内容！

　　====================================

　　[通知]

　　在接下来的三周里，我出去旅行并暂停了我的博客更新。

　　你可以从这里了解我的行程。欢迎关注。

　　（超过）