Twitter技术问题导致抓取和URL规范化问题

6月27号Google工具条PR更新了一次，然后很多人注意到Twitter首页PR降为零。（Google首页也降到9，不过这不是重点。）7月19号Google居然又更新一次工具条PR。Google更新工具条PR值从一个月一次变到3个月一次，甚至半年一次，所以这次不到一个月就再次更新有点蹊跷。据目前透露的信息，这次更新PR貌似主要就是为了修正Twitter PR值的问题。

今天看到SEL上Vanessa Fox的一篇文章，解释了为什么Twitter的一些技术失误导致Google抓取、URL规范化、PR计算等一系列问题，很值得一读，所以大致翻译一下供读者参考。

为什么不是Google的错误，Google却这么上心，更新了PR呢？猜测原因有二，一是无论任何情况下Twitter首页PR为零，大家肯定是说Google有问题，而不是Twitter有问题，虽然其实确实是Twitter自己造成的。二是，在Google+推出的同时，Google与Twitter合作合同到期了，不能直接通过API抓数据了，这时候Twitter PR降为零，大家恐怕心里会嘀咕，这Google真是过了河马上就拆桥啊，Google不想背这个黑锅。

言归正传。

Google一位发言人回复SEL关于Twitter PR时说：

最近Twitter不断修改它们的robots.txt文件和HTTP头信息，玩得太起劲了，暂时造成Google算法处理Twitter时的URL规范化问题。现在规范化问题差不多解决了，所以我们更新了工具条PR以反映最新数据。Twitter在Google索引库里一直有很高PR，没有惩罚。

所以Vanessa Fox研究了一下Twitter到底有什么robots文件、服务器头信息、URL规范化问题。真是不看不知道，一看吓一跳。顺便提一下，Vanessa Fox是前Google员工，负责网管工具webmaster tools的。

预感这篇帖子会比较长，才刚开始就这么长了…

Vanessa Fox搜了一下自己名字“Vanessa Fox”，结果如下图：

有URL，但没标题，没说明，也就是其实没抓取，只是部分索引。

直接搜Vanessa Fox自己Twitter页面URL的结果是：

为什么出现了大写？URL最后面那个点（.）又是什么东东？到底怎么回事呢？

twitter.com和www.twitter.com的robots.txt文件居然是不一样的。twitter.com/robots.txt是这样的：

#Google Search Engine Robot User-agent: Googlebot # Crawl-delay: 10 — Googlebot ignores crawl-delay ftl Allow: /*?*_escaped_fragment_ Disallow: /*? Disallow: /*/with_friends

#Yahoo! Search Engine Robot User-Agent: Slurp Crawl-delay: 1 Disallow: /*? Disallow: /*/with_friends

#Microsoft Search Engine Robot User-Agent: msnbot Disallow: /*? Disallow: /*/with_friends

# Every bot that might possibly read and respect this file. User-agent: * Disallow: /*? Disallow: /*/with_friends Disallow: /oauth Disallow: /1/oauth

www.twitter.com/robots.txt是这样的：

User-agent: * Disallow: /

也就是说：

• 某些情况下，带与不带www的两个版本内容可能是不一样的。
• Twitter貌似为了规范化网址，禁止搜索引擎爬行www版本。
• 所以虽然www版本做了301转向到不带www的版本，但Twitter禁止搜索引擎抓www版本，所以搜索引擎蜘蛛看不到那个301啊。杯具啊。
• 连向Twitter的链接有的是链到www版本，有的是不带www的版本，既然www版本禁止爬行，看不到301，链接权重不能传递，浪费了。

所以在第一个抓图里看到返回的是带www的版本，可能原因是这个版本外链比较多，但Twitter禁止爬行，所以只是部分索引（也就是只有一些来自链接的数据，没有页面本身的内容）。

查一下twitter.com/vanessafox这个URL头信息，居然返回302转向到twitter.com/#!/vanessafox。为什么说“居然”呢？请参考301转向和302转向的区别。由于用的是302，权重没有转到twitter.com/#!/vanessafox

而www.twitter.com/vanessafox做了301到twitter.com/vanessafox，当然，由于www版本被屏蔽，链接权重也传递不过来。为什么不从www.twitter.com/vanessafox直接301到twitter.com/#!/vanessafox（这才是Twitter想要的规范化版本）呢？就算要做两次转向，也都要用301，也不能屏蔽www版本。

Twitter想要的规范化URL是twitter.com/#!/vanessafox，其中的#表示Twitter希望搜索引擎抓取页面AJAX内容。（这里技术问题比较复杂，就不解释了，即将出版的《SEO艺术》有关于AJAX内容和#符号使用的解释，广告一下，呵呵）。

不过由于一系列复杂的转向，可能造成了问题：

• Google爬行不带www带#!的URL（twitter.com/#!/vanessafox），然后被转向到twitter.com/_escaped_fragment_/vanessafox
• 然后Google又被301转向到带www不带#!的版本www.twitter.com/vanessafox
• 而用户访问时JS将用户又转回到带#!的版本

我读到这里时头脑已经比较凌乱了，总之，Twitter弄了一堆转向，目的是让twitter.com/vanessafox这个看着看着干干净净的版本出现在搜索结果中，但用户点击后又被转到twitter.com/#!/vanessafox。弄这么复杂干什么呢，越复杂越容易出错啊。

Twitter页面头信息里有一个rate limiting部分：

HTTP/1.1 200 OK Date: Mon, 18 Jul 2011 20:48:44 GMT Server: hi Status: 200 OK X-Transaction: 1311022124-32783-45463 X-RateLimit-Limit: 1000

这个limiting又limit（限制）了什么呢？Vanessa Fox不清楚，我就更不知道了，以前没见过这个参数。但limit这个词暗示着是限制了什么和速度有关的东西，要是指抓取速度就惨了。

最后，如第二个抓图显示的，URL中出现大小写字母，这些都是不同URL，又会造成网址规范化、PR/权重分散、复制内容等等问题。

终于到结尾了。总之，这种技术问题在很多大型网站是经常出现的，看似小问题，其实可能导致严重后果。