結構化數據是以可預測的、機器可讀的格式組織的信息,例如電子表格、數據庫表或 JSON 對象,與自由格式文本或原始 HTML 等非結構化內容相對。網絡爬蟲通常將收集到的數據複製到中央本地數據庫或電子表格中。

結構化數據也是一個技術術語,指的是網站直接嵌入其 HTML 中的標記(如 Schema.org 標籤),以幫助搜索引擎理解頁面內容。谷歌將其定義為提供有關頁面信息和對其內容進行分類的標準化格式。

結構化數據 vs. 半結構化數據 vs. 非結構化數據

結構化半結構化非結構化
形狀固定字段,例如行和列標記字段可以因記錄而異沒有預定義字段
示例數據庫表、電子表格、CSV 文件JSON、XML、HTML自由文本、圖像、視頻
查詢方式直接,例如使用 SQL在 解析 標籤後在提取或解釋後

爬蟲的工作通常是將網頁的半結構化 HTML 轉換為結構化行。

用於搜索的結構化數據標記

  • 格式: 谷歌支持 JSON-LD、Microdata 和 RDFa,並建議在網站設置允許的情況下使用 JSON-LD。
  • 位置: JSON-LD 放在 <script type="application/ld+json"> 標籤中,與可見的 HTML 分開。
  • 詞彙: 標記使用 Schema.org 類型,例如 Product、Offer 和 Recipe,以及它們的屬性。
  • 豐富結果: 有效的標記可以使頁面有資格在 SERP 上顯示增強的展示,但谷歌不保證它們會顯示。

一個最小的產品示例,改編自谷歌的商家列表文檔:

{
  "@context": "https://schema.org/",
  "@type": "Product",
  "name": "Example Mug",
  "offers": {
    "@type": "Offer",
    "price": 12.50,
    "priceCurrency": "USD",
    "availability": "https://schema.org/InStock"
  }
}

谷歌的標記規則

  • 匹配頁面: 結構化數據必須真實地表示頁面內容。
  • 無隱藏內容: 不要標記對頁面讀者不可見的內容。
  • 懲罰: 結構化數據的手動操作會使頁面失去豐富結果的資格。谷歌表示這不會改變頁面在網絡搜索中的排名。

谷歌已退役的豐富結果

谷歌隨著時間的推移會刪除豐富結果類型,因此曾經在搜索中顯示的標記可能不再有效:

  • FAQ: 自 2026 年 5 月 7 日起不再出現在谷歌搜索中。
  • 練習題: 2026 年 1 月刪除文檔。
  • 課程信息、預估薪資、學習視頻、特別公告和車輛列表: 2025 年 9 月刪除文檔。

JSON-LD 通常是頁面上最乾淨的數據

對於爬蟲來說,頁面的 JSON-LD 區塊可以在標記字段中保存與可見頁面相同的事實,例如產品的 price、priceCurrency 和 availability。使用 JSON 解析器閱讀它可以避免在頁面佈局變更時破壞的 CSS 選擇器。因為谷歌要求標記代表可見內容,所以希望獲得豐富結果的網站有理由保持其準確性。不過,還是要與可見頁面進行核對,因為沒有任何規定強迫每個網站遵循谷歌的規則。

對網絡爬蟲的意義

  • 首先查找 JSON-LD: 在為可見頁面編寫選擇器之前,先在 HTML 中搜索 application/ld+json。
  • 檢查類型: 僅從所需的 @type 閱讀字段,例如 Product 或 Offer。
  • 將輸出存儲為結構化行: 每列保留一個字段,單位和貨幣放在自己的字段中。

相關術語