主流网络爬虫机器人/蜘蛛详解

主流网络爬虫机器人/蜘蛛详解
[ 发布日期：11个月前 (12-21) ] [ 来自：本站原创 ]	[分类：其它运维与编程]

所有网站都会有很多网络漫游器来爬取页面，其中越优秀的网站蜘蛛越多。
不过我们要区分蜘蛛的真伪，同时了解各种蜘蛛，屏蔽一些对网站无用的蜘蛛，避免养“蛛”为患。

搜索引擎占有率
按此在新窗口打开图片

Googlebot
Googlebot 是谷歌的搜索引擎蜘蛛。2021年8月，Google全球市场份额为92.05%，排名第一（即最大）因此不建议屏蔽 Googlebot。
bingbot
bingbot 必应虫是微软的搜索引擎。截至2021年8月Bing 全球占有率为第2名，市场份额为2.45%。

必应集成了多个独特功能，包括每日首页美图，与 Windows 操作系统深度融合的超级搜索功能，以及崭新的搜索结果导航模式等。用户在内置于 Windows 操作系统的搜索栏，或 Edge 默认搜索引擎均可直达必应的网页、图片、视频、词典、翻译、资讯、地图等全球信息搜索服务。
随着 Edge 浏览器的流行、windows 超大的市场占有率，必应搜索引擎在国内份额将进一步提升。
必应 SEO：网站如何在必应中显示更丰富的形式
Baiduspider
Baiduspider 是百度搜索引擎的蜘蛛呦！
识别百度蜘蛛(Baiduspider)的简单步骤

百度应用 UA：
Mozilla/5.0 (iPhone;CPU iPhone OS 9_1 like Mac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko)Version/9.0 Mobile/13B143 Safari/601.1 (compatible; Baiduspider-render/2.0;Smartapp; +http://www.baidu.com/search/spider.html)

Baiduspider 详细介绍

图片搜索：Baiduspider-image
视频搜索：Baiduspider-video
新闻搜索：Baiduspider-news
百度搜藏：Baiduspider-favo
百度联盟：Baiduspider-cpro
商务搜索：Baiduspider-ads
网页以及其他搜索：Baiduspider
Bytespider
Bytespider 这个爬虫是字节跳动旗下头条搜索的爬虫，其爬虫 UA 为：

#PC端
Mozilla/5.0 (compatible; Bytespider; https://zhanzhang toutiao com/)
AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.0.0 Safari/537.36

#Android端
Mozilla/5.0 (Linux; Android 5.0) AppleWebKit/537.36 (KHTML, like Gecko)
Mobile Safari/537.36 (compatible; Bytespider; https://zhanzhang toutiao com/)
#
iOS端
Mozilla/5.0 (iPhone; CPU iPhone OS 7_1_2 like Mac OS X) AppleWebKit/537.36 (KHTML, like Gecko)
Version/7.0 Mobile Safari/537.36 (compatible; Bytespider; https://zhanzhang toutiao com/)

屏蔽头条搜索爬虫
如果不想头条搜索爬取自己的网站，可采用以下两种方法屏蔽头条搜索的爬虫：

#IP屏蔽
头条搜索的ip字段总共涉及10个ip，具体字段如下：
110.249.201.0/24
110.249.202.0/24
111.225.148.0/24
111.225.149.0/24
220.243.135.0/24
220.243.136.0/24
220.243.188.0/24
220.243.189.0/24
60.8.123.0/24
60.8.151.0/24

# robots.txt 屏蔽

Bytespider 遵守robots规则，可采用以下方法屏蔽：
User-agent: Bytespider
Disallow: /
头条搜索优化
头条搜索的站点配图一般是使用 og:image 标签（Open Graph Protocol Meta）来识别的，因此想要网页旁边出现漂亮合理的配图可在网页 <head></head> 中添加 Open Graph Protocol Meta 标签。
Yisouspider
Yisouspider是神马搜索的蜘蛛。
YandexBot
俄罗斯搜索巨头Yandex的蜘蛛，
360Spider
360搜索蜘蛛
PetalBot
PetalBot 是华为自研搜索引擎的爬虫，叫做花瓣蜘蛛，将来或许也会在国内再杀出一个搜索引擎。现华为花瓣搜索引擎仅对欧洲用户开放。

PetalBot 符合 Internet 机器人协议。您可以使用 robots.txt 文件完全阻止 PetalBot 访问您的网站，或阻止 PetalBot 访问您网站上的某些文件。

为了获得对目标资源更好的检索结果，PetalBot 需要保持一定程度的网站爬网。我们力求不给网站带来不合理的负担，我们将根据服务器容量，网站质量和网站更新等综合因素进行调整。如果 PetalBot 的访问有任何不合理的行为，请将您的疑虑发送至 search@aspiegel.com。
Sogou web spider
搜狗搜索引擎的蜘蛛。
AhrefsBot
AhrefsBot 是国外网站的一个蜘蛛程序，那么 Ahrefs 是什么网站呢，这个是国外一个网络营销类的网站，有点类似于国内的5118、站长网之类，在 SEO 界比较有名的。AhrefsBot数据库里面有超过12万亿条链接，每天它就在不断的执行和监控Ahrefs的在线营销活动，每24小时就要访问超过60亿个网页，每15-30分钟就要更新一次索引。

根据一项调查显示，AhrefsBot是仅次于谷歌蜘蛛（Googlebot）的世界第二大活跃蜘蛛爬虫程序。

AhrefsBot 会增加你服务器的负担外，并不会对你的网站造成什么影响，它既不会触发网站上的广告，也不会在统计中增加流量。建议屏蔽 AhrefsBot
SemrushBot
SemrushBot 是 SEMrush 的蜘蛛爬虫。

SEMrush是一家老牌的提供搜索引擎优化数据的公司，是一个强大的、全面的在线营销竞争情报平台,其中包括 SEO、PPC、社交媒体和视频广告研究。

建议网站屏蔽掉它的爬行，首先因为这个蜘蛛爬行并不会给网站带来流量，只会占用服务器资源，其次是这是已经数据分析公司的爬虫，它爬的数据会成为你竞争对手的分析利器。

如何屏蔽SemrushBot呢？

robots.txt 文件中添加以下代码即可：

User-agent: SemrushBot
Disallow: /
User-agent: SemrushBot-SA
Disallow: /
BLEXBot
Blexbot是WebMeUp的蜘蛛爬虫，Blexbot每天可以抓取上百亿个页面来收集反向链接数据，并将该数据提供给其链接索引（在SEO SpyGlass中使用的链接索引）。

WebMeUp是美国的一家外链反向链接查询工具网站，他一般的形式是

Mozilla / 5.0（兼容; BLEXBot / 1.0; + http：//webmeup-crawler.com/）
AdsBot
Adsbot是谷歌 Google AdWords 的蜘蛛，也就是广告联盟的。
MJ12bot
MJ12bot 是英国的一家老牌的搜索引擎营销网站 Majestic 的爬虫，他有专门的中文站，对外链查询等很多 SEO 数据查询提供数据支撑，做过外链的都知道，获取外链资源是一项基本能力，这个网站可以查询网站的外链资源数，不过很多公司看到日志里有这个 MJ12bot 蜘蛛，一般是选择直接屏蔽掉（MJ12bot 是 Majestic-12 分布式搜索引擎的爬虫）

官方给了一个修改 robots 的方法，就是在 robots.txt 文件中加入：

User-agent:MJ12bot
Disallow:/
DotBot
DotBot是Moz的网络爬虫程序，Moz旗下链接分析网站opensiteexplorer专门用来分析网站SEO外链数据，BotBot蜘蛛爬虫就是为Moz服务，在互联网上抓取大量的网页进行各种数据分析。

如果我们不希望Dotbot抓取自己的网站，可以使用robots.txt进行屏蔽。DotBot遵robots.txt协议。

DotBot蜘蛛爬虫原型

Moz蜘蛛爬虫UA：”Mozilla/5.0 (compatible; DotBot/1.1; http://www.opensiteexplorer.org/dotbot, help@moz.com)”

网站如何禁止DotBot抓取
在我们的网站根目录中的robots.txt文件中写上如下代码：

User-Agent: DotBot
Disallow: /
Applebot
Applebot 是 Apple 推出的网络爬虫工具。“Siri 建议”和“聚焦建议”等产品均使用 Applebot。这个工具遵循惯用的 robots.txt 规则和 robots 元标签，并且源自 17.0.0.0 网络块。

用户代理字符串包含“Applebot”和其他代理信息。示例如下：

Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/600.2.5 (KHTML, like Gecko) Version/8.0.2 Safari/600.2.5 (Applebot/0.1)
CCbot
CCbot，全称为Common Crawl Bot，是一个非营利性基金会致力于提供可以被所有人访问和分析的Web爬网数据的开放存储库。
可以通告robts.txt屏蔽：

User-Agent: CCbot
Disallow: /
DuckDuckGoBot
DuckDuckGoBot 是著名元搜索引擎 DuckDuckGo 的爬虫，另外还有 DuckDuckGo Favicons Bot 是用来获取网站 Favicon.ico 图标的蜘蛛。

DuckDuckGo 是美国的一个互联网搜寻引擎，其总部位于美国宾州Valley Forge市。DuckDuckGo强调在传统搜寻引擎的基础上引入各大Web 2.0站点的内容。其办站哲学主张维护使用者的隐私权，并承诺不监控、不记录使用者的搜寻内容。DuckDuckGo-Favicons-Bot

一般默认的形式是

Mozilla/5.0 (compatible; DuckDuckGo-Favicons-Bot/1.0; +http://duckduckgo.com)” – 0.047 0.047
yacybot
yacy 搜索引擎蜘蛛。
DataForSeoBot
DataForSEO 网站的蜘蛛。由于访问速率太大，建议小型网站进行屏蔽。

robots.txt 怎么写

#我们建议这样写：
User-agent: *
Allow: /

User-agent: AhrefsBot
Disallow: /

User-agent: SemrushBot
Disallow: /

User-agent: MJ12bot
Disallow: /

User-agent: DataForSeoBot
Disallow: /