百度爬虫在进行抓取和处理时，是根据http协议规范来设置相应的逻辑的，所以请站长们也尽量参考http协议中关于返回码的含义的定义来进行设置。 百度常用的http返回码的处理逻辑是这样的：
1、404
404返回码的含义是“NOT FOUND”，百度会认为网页已经失效，那么通常会从搜索结果中删除，并且短期内次发现这条url也不会抓取。
2、503
503返回码的含义是“，百度会认为该网页临时不可访问，通常网站临时关闭，带宽有限等会产生这种情况。对于网页返回503，百度会把这条url直接删除，短期内会再访问。届时如果网页已恢复，则正常抓取；如果继续返回503，短期内还会反复访问几次。但是如果网页长期返回503，那么这个url仍会被百度认为是失效链接，从搜索结果中删除。
3、403
403返回码的含义是“，百度会认为网页当前禁止访问。对于这种情况，如果是新发现的url，百度不会抓取，短期内会再次检查；如果是百度已收录url，当前也不会直接删除，短期内同样会再访问。届时如果网页允许访问，则正常抓取；如果仍不允许访问，短期内还会反复访问几次。但是如果网页长期返回403，百度也会认为是失效链接，从搜索结果中删除。
4、301
301返回码的含义是“Moved ，百度会认为网页当前跳转至新url。当遇到站点迁移，域名更换、站点改版的情况时，推荐使用301返回码，尽量减少改版带来的流量损失。虽然百度在对301跳转的响应周期较长，但我们还是推荐大家这么做。
我们的建议
1、如果站点临时关闭，当网页不能打开时，不要立即返回404，建议使用503状态。503可以告知百度页面临时不可访问，请过段时间再重试。
2、如果百度您的站点抓取压力过大，请尽量不要使用404，同样建议返回503。这样百度过段时间再来尝试抓取这个链接，如果那个时间站点空闲，那它就会被成功抓取了。
3、有一些网站希望百度只收录部分内容，例如审核后的内容，累积一段时间的新用户页等等。在这种情况，建议新发内容暂时返回403，等审核或做好处理之后，再返回正常状态的返回码。
4、站点迁移，或域名更换时，请使用301返回码。
我来分享：百度爬虫对http返回码的处理逻辑
2014-02-15 11:40 点击:72