Обход сайта конкурента: какой темп считается приличным

Ниже цифры и вопрос по ним.

Даю всё, что есть, вдруг зацепитесь за деталь.

Часть разделов робот обходит раз в две недели, часть каждый день. Карта сайта разбита на файлы по пятьдесят тысяч адресов.

$ ./obhod --start https://example.org/ --rps 8 --out kody.csv
200 -> 284 110
301 -> 12 448
404 -> 1 902

Кто сталкивался, поделитесь опытом.

Держите запас, ровно по расчёту работать не выйдет.

Расскажу, чем закончилось у меня.

Логи сервера и панель вебмастера считают разное. Логи показывают все обращения, панель показывает то, что робот счёл достойным упоминания. Расхождение в пять или десять процентов это нормально.

Если поможет, напишите здесь же, пригодится следующим.

Держите запас, ровно по расчёту работать не выйдет.

Пришёл к этому не сразу, сначала сделал ошибку.

Параметры в адресах плодят бесконечные варианты. Закройте их правилом обхода на своей стороне, иначе краулер будет ходить кругами.

Карту сайта на два миллиона адресов делите на файлы по пятьдесят тысяч и собирайте в общий указатель. Так проще и роботу, и вам при разборе.

Тема нужная, подписался.

Полгода назад ловил то же самое.

Если страницы отдают код 200 и не попадают в индекс, смотрите на дубли и на качество содержимого. Технически они доступны, а смысла в них поиск не увидел.

Уточните пару моментов, иначе гадаем.

Полгода назад ловил то же самое.

Если страницы отдают код 200 и не попадают в индекс, смотрите на дубли и на качество содержимого. Технически они доступны, а смысла в них поиск не увидел.

Обход большого сайта надо ограничивать по темпу, а не по потокам. Хороший ориентир: не больше десяти запросов в секунду ко всему сайту, если это не ваш сервер.

$ ./obhod --start https://example.org/ --rps 8 --out kody.csv
200 -> 284 110
301 -> 12 448
404 -> 1 902

Разбейте прогон на части, станет ровнее.

Проверял это на своей задаче, вывод такой же.

Логи сервера и панель вебмастера считают разное. Логи показывают все обращения, панель показывает то, что робот счёл достойным упоминания. Расхождение в пять или десять процентов это нормально.

Обход большого сайта надо ограничивать по темпу, а не по потокам. Хороший ориентир: не больше десяти запросов в секунду ко всему сайту, если это не ваш сервер.

Если поможет, напишите здесь же, пригодится следующим.

Полгода назад ловил то же самое.

Параметры в адресах плодят бесконечные варианты. Закройте их правилом обхода на своей стороне, иначе краулер будет ходить кругами.

Обход большого сайта надо ограничивать по темпу, а не по потокам. Хороший ориентир: не больше десяти запросов в секунду ко всему сайту, если это не ваш сервер.

Хороший разбор, добавлю в закладки.

Начните с малого объёма и растите постепенно.