怎么辨別搜索引擎的爬蟲

怎么辨別搜索引擎的爬蟲？相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現(xiàn)的原因和解決方法，通過這篇文章希望你能解決這個問題。

網(wǎng)站經常會被各種爬蟲光顧，有的是搜索引擎爬蟲，有的不是，通常情況下這些爬蟲都有UserAgent，而我們知道UserAgent是可以偽裝的，UserAgent的本質是Http請求頭中的一個選項設置，通過編程的方式可以給請求設置任意的UserAgent。

所以通過UserAgent判斷請求的發(fā)起者是否是搜索引擎爬蟲（蜘蛛）的方式是不靠譜的，更靠譜的方法是通過請求者的ip對應的host主機名是否是搜索引擎自己家的host的方式來判斷。

要獲得ip的host，在windows下可以通過nslookup命令，在linux下可以通過host命令來獲得，例如：

這里我在windows下執(zhí)行了nslookup ip 的命令，從上圖可以看到這個ip的主機名是crawl-66-249-64-119.googlebot.com。 這說明這個ip是一個google爬蟲，google爬蟲的域名都是 xxx.googlebot.com.

我們也可以通過python程序的方式來獲得ip的host信息，代碼如下：

import socket
def getHost(ip):
 try:
 result=socket.gethostbyaddr(ip)
 if result: return result[0], None
 except socket.herror,e:
 return None, e.message

上述代碼使用了socket模塊的gethostbyaddr的方法獲得ip地址的主機名。

常用蜘蛛的域名都和搜索引擎官網(wǎng)的域名相關，例如：

百度的蜘蛛通常是baidu.com或者baidu.jp的子域名

google爬蟲通常是googlebot.com的子域名

微軟bing搜索引擎爬蟲是search.msn.com的子域名

搜狗蜘蛛是crawl.sogou.com的子域名

基于以上原理，可以通過一個工具頁面提供判斷ip是否是真實搜索引擎的工具頁面，該頁面上提供了網(wǎng)頁判斷的工具和常見的google和bing的搜索引擎爬蟲的ip地址。

附帶常見搜索引擎蜘蛛的IP段：

蜘蛛名稱     IP地址

Baiduspider        202.108.11.* 220.181.32.* 58.51.95.* 60.28.22.* 61.135.162.* 61.135.163.* 61.135.168.*

YodaoBot        202.108.7.215 202.108.7.220 202.108.7.221

Sogou web spider        219.234.81.* 220.181.61.*

Googlebot        203.208.60.*

Yahoo! Slurp        202.160.181.* 72.30.215.* 74.6.17.* 74.6.22.*

Yahoo ContentMatch Crawler        119.42.226.* 119.42.230.*

Sogou-Test-Spider        220.181.19.103 220.181.26.122

Twiceler        38.99.44.104 64.34.251.9

Yahoo! Slurp China        202.160.178.*

Sosospider         124.115.0.*

CollapsarWEB qihoobot        221.194.136.18

NaverBot        202.179.180.45

Sogou Orion spider        220.181.19.106 220.181.19.74

Sogou head spider        220.181.19.107

SurveyBot        216.145.5.42 64.246.165.160

Yanga WorldSearch Bot v        77.91.224.19 91.205.124.19

baiduspider-mobile-gate        220.181.5.34 61.135.166.31

discobot        208.96.54.70

ia_archiver         209.234.171.42

msnbot        65.55.104.209 65.55.209.86 65.55.209.96

sogou in spider        220.181.19.216

ps：https協(xié)議網(wǎng)頁能夠被搜索引擎收錄嗎

百度現(xiàn)在只能收錄少部分的https，大部分的https網(wǎng)頁無法收錄。

不過我查詢了google資料，Google能夠比較好地收錄https協(xié)議的網(wǎng)站。

所以如果你的網(wǎng)站是中文的，而且比較關注搜索引擎自然排名流量這塊，建議盡量不要將所有內容都放到https中去加密去。

可考慮的方式是：

1、對于需要加密傳遞的數(shù)據(jù)，使用https，比如用戶登錄以及用戶登錄后的信息；

2、對于普通的新聞、圖片，建議使用http協(xié)議來傳輸；

3、網(wǎng)站首頁建議使用http協(xié)議的形式。

看完上述內容，你們掌握怎么辨別搜索引擎的爬蟲的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業(yè)資訊頻道，感謝各位的閱讀！