用PhantomJS来给AJAX站点做SEO优化

转 https://www.mxgw.info/t/phantomjs-prerender-for-seo.html

腾讯问卷所有动态内容，全部由Ajax接口提供。

众所周知，大部分的搜索引擎爬虫都不会执行JS，也就是说，如果页面内容由Ajax返回的话，搜索引擎是爬取不到部分内容的，也就无从做SEO了。

先来看看效果

QQ20160321-1

去年一整年，搜索引擎收录都少得可怜。

更致命的是，被收录的页面，其搜索引擎里面显示的标题是最原始的html标题，权重如此高的地方，却被收录了一个没什么用的标题。

在去年年底完成实施了预渲染服务后，收录量蹭蹭蹭的起来了，并且收录的标题也都全部正常了。

而这所有的一切，除了Nginx接入层的配置是需要改动业务代码外，其他全部都是旁路机制。也就是说，自己做一套，可以给所有同类型业务共用，同时不会影响现有业务的任何代码任何流程。

PhantomJS来解围

Ajax无法做SEO这个问题，困扰了我很久，后来发现PhantomJS这东西能在服务端解析HTML，瞬间这个问题不再是问题。

PhantomJS is a headless WebKit scriptable with a JavaScript API. It has fast andnativesupport for various web standards: DOM handling, CSS selector, JSON, Canvas, and SVG.

准备一个PhantomJS任务脚本

这里我命名为spider.js。

 
          /*global phantom*/ 
         
           "use strict"; 
         
          // 单个资源等待时间，避免资源加载后还需要加载其他资源 
         
           var resourceWait = 500; 
         
           var resourceWaitTimer; 
         
          // 最大等待时间 
         
           var maxWait = 5000; 
         
           var maxWaitTimer; 
         
          // 资源计数 
         
           var resourceCount = 0; 
         
          // PhantomJS WebPage模块 
         
           var page = require('webpage').create(); 
         
          // NodeJS 系统模块 
         
           var system = require('system'); 
         
          // 从CLI中获取第二个参数为目标URL 
         
           var url = system.args[1]; 
         
          // 设置PhantomJS视窗大小 
         
           page.viewportSize = { 
         
          width: 1280, 
         
          height: 1014  
         
          }; 
         
          // 获取镜像 
         
           var capture = function(errCode){ 
         
          // 外部通过stdout获取页面内容 
         
           console.log(page.content); 
         
          // 清除计时器 
         
           clearTimeout(maxWaitTimer); 
         
          // 任务完成，正常退出 
         
           phantom.exit(errCode); 
         
          }; 
         
          // 资源请求并计数 
         
           page.onResourceRequested = function(req){ 
         
          resourceCount++; 
         
           clearTimeout(resourceWaitTimer); 
         
          }; 
         
          // 资源加载完毕 
         
           page.onResourceReceived = function (res) { 
         
          // chunk模式的HTTP回包，会多次触发resourceReceived事件，需要判断资源是否已经end 
         
           if (res.stage !== 'end'){ 
         
           return; 
         
          } 
         
          resourceCount--; 
         
           if (resourceCount === 0){ 
         
          // 当页面中全部资源都加载完毕后，截取当前渲染出来的html 
         
          // 由于onResourceReceived在资源加载完毕就立即被调用了，我们需要给一些时间让JS跑解析任务 
         
          // 这里默认预留500毫秒 
         
          resourceWaitTimer = setTimeout(capture, resourceWait); 
         
          } 
         
          }; 
         
          // 资源加载超时 
         
           page.onResourceTimeout = function(req){ 
         
          resouceCount--; 
         
          }; 
         
          // 资源加载失败 
         
           page.onResourceError = function(err){ 
         
          resourceCount--; 
         
          }; 
         
          // 打开页面 
         
           page.open(url, function (status) { 
         
           if (status !== 'success') { 
         
           phantom.exit(1); 
         
          } else { 
         
          // 当改页面的初始html返回成功后，开启定时器 
         
          // 当到达最大时间（默认5秒）的时候，截取那一时刻渲染出来的html 
         
          maxWaitTimer = setTimeout(function(){ 
         
           capture(2); 
         
          }, maxWait); 
         
          } 
         
          });

view raw spider.js hosted with by GitHub

通过PhantomJS命令直接执行即可在终端中看到渲染后的html结构

1	phantomjs spider .js 'http://wj.qq.com/'

命令服务化

什么意思呢，因为上面是一个命令，没法很好的响应搜索引擎爬虫的请求，估我们要把他服务化。

PhantomJS自带一个Web Server Module，但总是不稳定，如前面文章所说时不时会假死。

我们就通过Node给他起一个简单的Web服务。

 
          // ExpressJS调用方式 
         
           var express = require('express'); 
         
           var app = express(); 
         
          // 引入NodeJS的子进程模块 
         
           var child_process = require('child_process'); 
         
           app.get('/', function(req, res){ 
         
          // 完整URL 
         
           var url = req.protocol + '://'+ req.hostname + req.originalUrl; 
         
          // 预渲染后的页面字符串容器 
         
           var content = ''; 
         
          // 开启一个phantomjs子进程 
         
           var phantom = child_process.spawn('phantomjs', ['spider.js', url]); 
         
          // 设置stdout字符编码 
         
           phantom.stdout.setEncoding('utf8'); 
         
          // 监听phantomjs的stdout，并拼接起来 
         
           phantom.stdout.on('data', function(data){ 
         
          content += data.toString(); 
         
          }); 
         
          // 监听子进程退出事件 
         
           phantom.on('exit', function(code){ 
         
           switch (code){ 
         
           case 1: 
         
           console.log('加载失败'); 
         
           res.send('加载失败'); 
         
           break; 
         
           case 2: 
         
           console.log('加载超时: '+ url); 
         
           res.send(content); 
         
           break; 
         
           default: 
         
           res.send(content); 
         
           break; 
         
          } 
         
          }); 
         
          });

view raw express_spider.js hosted with by GitHub

旁路服务

我们现在已经有了一个能跑预渲染的Web服务了，剩下就是要将搜索引擎爬虫的流量导入到这个预渲染的服务中，同时把结果再返回给搜索引擎爬虫。

我们使用Nginx这个接入层利器即可轻松解决这个问题。

 
          # 定义一个Nginx的upstream为spider_server 
         
          upstream spider_server { 
         
          server localhost:3000; 
         
          } 
         
          # 指定一个范围，默认 / 表示全部请求 
         
          location / { 
         
          proxy_set_header Host $host:$proxy_port; 
         
          proxy_set_header X-Real-IP $remote_addr; 
         
          proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; 
         
          # 当UA里面含有Baiduspider的时候，流量Nginx以反向代理的形式，将流量传递给spider_server 
         
          if ($http_user_agent ~* "Baiduspider") { 
         
          proxy_pass http://spider_server; 
         
          } 
         
          }

view raw nginx_spider.conf hosted with by GitHub

这个栗子里面仅仅对百度爬虫做了处理，可以自行把爬虫都补完整。

Free

说了这么多，我突然觉得这篇文章非常值钱。

因为，国外也有专门的服务端预渲染服务了，但他们统统要收费。

你可以根据本文的思路，自行部署一套旁路渲染服务。

附上一份新鲜收集的爬虫UA列表

360 【文档】
- 360Spider
- HaoSouSpider
- 360Spider-Image
- 360Spider-Video
Baidu 【文档】
- Baiduspider
Google 【文档】
- Googlebot
- Googlebot-News
- Googlebot-Video
- Googlebot-Mobile
Sogou 【文档】
- Sogou web spider
- Sogou inst spider
- Sogou Spider
Bingbot【文档】
- bingbot
- msnbot
- msnbot-media
- adidxbot
- BingPreview

	/global phantom/
	"use strict";

	// 单个资源等待时间，避免资源加载后还需要加载其他资源
	var resourceWait = 500;
	var resourceWaitTimer;

	// 最大等待时间
	var maxWait = 5000;
	var maxWaitTimer;

	// 资源计数
	var resourceCount = 0;

	// PhantomJS WebPage模块
	var page = require('webpage').create();

	// NodeJS 系统模块
	var system = require('system');

	// 从CLI中获取第二个参数为目标URL
	var url = system.args[1];

	// 设置PhantomJS视窗大小
	page.viewportSize = {
	width: 1280,
	height: 1014
	};

	// 获取镜像
	var capture = function(errCode){

	// 外部通过stdout获取页面内容
	console.log(page.content);

	// 清除计时器
	clearTimeout(maxWaitTimer);

	// 任务完成，正常退出
	phantom.exit(errCode);

	};

	// 资源请求并计数
	page.onResourceRequested = function(req){
	resourceCount++;
	clearTimeout(resourceWaitTimer);
	};

	// 资源加载完毕
	page.onResourceReceived = function (res) {

	// chunk模式的HTTP回包，会多次触发resourceReceived事件，需要判断资源是否已经end
	if (res.stage !== 'end'){
	return;
	}

	resourceCount--;

	if (resourceCount === 0){

	// 当页面中全部资源都加载完毕后，截取当前渲染出来的html
	// 由于onResourceReceived在资源加载完毕就立即被调用了，我们需要给一些时间让JS跑解析任务
	// 这里默认预留500毫秒
	resourceWaitTimer = setTimeout(capture, resourceWait);

	}
	};

	// 资源加载超时
	page.onResourceTimeout = function(req){
	resouceCount--;
	};

	// 资源加载失败
	page.onResourceError = function(err){
	resourceCount--;
	};

	// 打开页面
	page.open(url, function (status) {

	if (status !== 'success') {

	phantom.exit(1);

	} else {

	// 当改页面的初始html返回成功后，开启定时器
	// 当到达最大时间（默认5秒）的时候，截取那一时刻渲染出来的html
	maxWaitTimer = setTimeout(function(){

	capture(2);

	}, maxWait);

	}

	});

	// ExpressJS调用方式
	var express = require('express');
	var app = express();

	// 引入NodeJS的子进程模块
	var child_process = require('child_process');

	app.get('/', function(req, res){

	// 完整URL
	var url = req.protocol + '://'+ req.hostname + req.originalUrl;

	// 预渲染后的页面字符串容器
	var content = '';

	// 开启一个phantomjs子进程
	var phantom = child_process.spawn('phantomjs', ['spider.js', url]);

	// 设置stdout字符编码
	phantom.stdout.setEncoding('utf8');

	// 监听phantomjs的stdout，并拼接起来
	phantom.stdout.on('data', function(data){
	content += data.toString();
	});

	// 监听子进程退出事件
	phantom.on('exit', function(code){
	switch (code){
	case 1:
	console.log('加载失败');
	res.send('加载失败');
	break;
	case 2:
	console.log('加载超时: '+ url);
	res.send(content);
	break;
	default:
	res.send(content);
	break;
	}
	});

	});

	# 定义一个Nginx的upstream为spider_server
	upstream spider_server {
	server localhost:3000;
	}

	# 指定一个范围，默认 / 表示全部请求
	location / {
	proxy_set_header Host $host:$proxy_port;
	proxy_set_header X-Real-IP $remote_addr;
	proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;

	# 当UA里面含有Baiduspider的时候，流量Nginx以反向代理的形式，将流量传递给spider_server
	if ($http_user_agent ~* "Baiduspider") {
	proxy_pass http://spider_server;
	}
	}