博客

识别真假搜索引擎（搜索蜘蛛）方法（baidu,google,Msn,sogou,soso等)

最近工作中遇到个问题，就是有一些资源，不希望别人很派发的抓取，这样会占用我们带宽还有资源。因此，我们对页面访问做了频率限制。这样一来，又怕搜索蜘蛛给限制了。 因此，我们有个需求，就是除了常见搜索蜘蛛，其它都要做频率限制。 工作就变成了，首先我们怎么样正确表示搜索蜘蛛。

怎么样识别搜索蜘蛛
搜索引擎基本上由最先google,和国内的baidu统一了。刚开始比较混乱，后期有很多规则协议，可以遵循。基本上一些新兴的搜索引擎在访问站点时候，都会延用google制定的一些规则。它们一般都会有特定的user-agent，但是，如果我们只通过user-agent去识别搜索蜘蛛的话，那样第三方抓取程序，都会去伪造个user-agent。变成搜索蜘蛛的，如：Googlebot/2.1 (+http://www.googlebot.com/bot.html) %C2%A0)是，google蜘蛛的值。

现在一般搜索引擎都提供一个DNS 反向IP查询功能，只需要把访问来的IP 通过反向查询域名，看是不是搜索引擎域名。这样伪造的爬虫工具，就会被很容易识别了。 具体识别真假蜘蛛只需要：1，判断user-agent是否满足蜘蛛格式 2，然后进一步确定IP 反解析域名是否属于该搜索引擎域名.

搜索引擎 user-agent(包含) 是否PTR 备注
google Googlebot √ host ip 得到域名：googlebot.com主域名
baidu Baiduspider √ host ip 得到域名：.baidu.com 或 .baidu.jp
yahoo Yahoo! √ host ip 得到域名：inktomisearch.com主域名
Sogou Sogou × Sogou web spider/3.0(+http://www.sogou.com/docs/help/webmasters.htm#07″)
Sogou Push Spider/3.0(+http://www.sogou.com/docs/help/webmasters.htm#07″)
网易 YodaoBot × *Mozilla/5.0 (compatible; YodaoBot/1.0; http://www.yodao.com/help/webmaster/spider/”; )
MSN MSNBot √ host ip 得到域名：live.com主域名
360 360Spider × Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.8.0.11) Firefox/1.5.0.11; 360Spider
soso Sosospider × Sosospider+(+http://help.soso.com/webspider.htm)
bing bingbot √ host ip 得到域名：msn.com主域名

以上是我整理一些常用搜索引擎的user-agent特征码，以及IP反向解析情况。保证准确识别搜索引擎，我们通过IP反解析是最为准确方法。好在google,baidu,bing都有做反向解析。基本上占用了80%搜索市场了。下面，我是我检测方法。

PHP反解析IP方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
function check_spider($ip,$ua) {
    static $spider_list=array(
        'google'=>array('Googlebot','googlebot.com'),
        'baidu'=>array('Baiduspider','.baidu.'),
        'yahoo'=>array('Yahoo!','inktomisearch.com'),
        'msn'=>array('MSNBot','live.com'),
        'bing'=>array('bingbot','msn.com')
    );
	
    if(!preg_match('/^(\d{1,3}\.){3}\d{1,3}$/',$ip)) return false;
    if(empty($ua)) return false;
 
    foreach ($spider_list as $k=>$v) {
        if(stripos($ua,$v[0])!==false) {
            $domain = gethostbyaddr($ip);

            if($domain && stripos($domain,$v[1])!==false) {
                return $k;
            }
        }
    }
    return false;
}

目前只加入几个搜索引擎检测，这些是可以做反解析查询的。不能做反解析查询的，最好做速度限制，用户会使用它们来伪造搜索引擎来抓取你的资源。欢迎大家交流，先写到这里了。

转载自 http://blog.chacuo.net/147.html

建站相关