搜索引擎的爬虫怎么辨别

网站经常会被各种爬虫光顾,有的是搜索引擎爬虫,有的不是,通常情况下这些爬虫都有UserAgent,而我们知道UserAgent是可以伪装的,UserAgent的本质是Http请求头中的一个选项设置,通过编程的方式可以给请求设置任意的UserAgent。

所以通过UserAgent判断请求的发起者是否是搜索引擎爬虫(蜘蛛)的方式是不靠谱的,更靠谱的方法是通过请求者的ip对应的host主机名是否是搜索引擎自己家的host的方式来判断。

要获得ip的host,在windows下可以通过nslookup命令,在linux下可以通过host命令来获得,例如:

这里我在windows下执行了nslookup ip 的命令,从上图可以看到这个ip的主机名是crawl-66-249-64-119.googlebot.com。 这说明这个ip是一个google爬虫,google爬虫的域名都是 xxx.googlebot.com.

我们也可以通过python程序的方式来获得ip的host信息,代码如下:

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

上述代码使用了socket模块的gethostbyaddr的方法获得ip地址的主机名。

常用蜘蛛的域名都和搜索引擎官网的域名相关,例如:

百度的蜘蛛通常是baidu.com或者baidu.jp的子域名

google爬虫通常是googlebot.com的子域名

微软bing搜索引擎爬虫是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,可以通过一个工具页面提供判断ip是否是真实搜索引擎的工具页面,该页面上提供了网页判断的工具和常见的google和bing的搜索引擎爬虫的ip地址。

附带常见搜索引擎蜘蛛的IP段:

蜘蛛名称     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协议网页能够被搜索引擎收录吗

百度现在只能收录少部分的https,大部分的https网页无法收录。

不过我查询了google资料,Google能够比较好地收录https协议的网站。

所以如果你的网站是中文的,而且比较关注搜索引擎自然排名流量这块,建议尽量不要将所有内容都放到https中去加密去。

可考虑的方式是:

1、对于需要加密传递的数据,使用https,比如用户登录以及用户登录后的信息;

2、对于普通的新闻、图片,建议使用http协议来传输;

3、网站首页建议使用http协议的形式。

来源:PY学习网:原文地址:https://www.py.cn/article.html