持續更新自己的觀察筆記,一直是記錄與分享的好習慣。最近因為需要,開始研究百度抓取 MP3 檔案的機制。花了一個下午拆解檔案結構,結論對經營音樂網站的朋友應該有實際幫助。這篇只談「抓取」這件事,怎麼提升其他環節留待後續。拋磚引玉,歡迎理性討論。
為了讓過程清楚,用一個具體例子來說明。

這個「MP3」資料夾裡只有一個檔案「比我幸福.MP3」,系統同時顯示了檔案大小、類型與修改日期。先確認一件事:資料夾裡就只有這一個檔案,沒有伴生的資訊檔。
接著看它的屬性內容:

問題來了:資料夾裡只有一個檔案,為什麼作業系統能顯示出藝術家、專輯標題這些資訊?這些資料不在檔名裡,也不在任何外部清單裡——它們藏在檔案內部。這正是搜尋引擎能抓取 MP3 內容的關鍵。
MP3 格式大致分為三個部分:
把檔案的「外套」脫掉,以十六進位檢視實際內容,就能直接看到這些標籤資料的存在:

一個完整的 MP3 檔案,本身就完整包含了作者、作曲、專輯等資訊。這讓搜尋引擎得以直接讀取檔案內部資料,而不必依賴檔名或所在網頁的文字去推測。
我們搜尋音樂時,背後其實是在比對 MP3 檔案特定位置的標籤位元組,完成匹配後再把結果回傳給使用者。
因此給做音樂站的建議是:在做網站優化的同時,不要忽略 MP3 檔案本身的內部資訊。確認每個檔案的 ID3 標籤是否完整填寫了作者、專輯、曲名等欄位——這是搜尋引擎抓取音樂內容最重要的依據,比檔名和網頁文字都更直接。
順帶一提,這個機制同樣降低了某些低品質站的操作門檻。任何技術都是雙面的,有它的便利,也有它被濫用的可能。
以上僅代表個人觀察與判斷,不構成任何官方說明。歡迎提出意見與修正。後續我會繼續記錄搜尋引擎抓取圖片的機制,有興趣的朋友可以持續關注。