網(wǎng)站經(jīng)常會(huì)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(zhì)是Http請(qǐng)求頭中的一個(gè)選項(xiàng)設(shè)置，通過編程的方式可以給請(qǐng)求設(shè)置任意的UserAgent。
所以通過UserAgent判斷請(qǐng)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(qǐng)求者的ip對(duì)應(yīng)的host主機(jī)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(gè)ip的主機(jī)名是crawl-66-249-64-119.googlebot.com。 這說明這個(gè)ip是一個(gè)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：
|
1
2
3
4
5
6
7
|
import socketdef 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(jī)名。
常用蜘蛛的域名都和搜索引擎官網(wǎng)的域名相關(guān)，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，我寫了一個(gè)工具頁面提供判斷ip是否是真實(shí)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(guān)注搜索引擎自然排名流量這塊，建議盡量不要將所有內(nèi)容都放到https中去加密去。
可考慮的方式是：
1、對(duì)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(duì)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。
