一般搜索引擎去爬取一个网站时，首先是去读取网站的robots.txt 文件，看看网站管理员有没有在该文件设置禁止某些蜘蛛，或禁止访问哪些路径。然而一些流氓蜘蛛不会顾及robots.txt 文件，想爬哪就爬哪。这种情况管理员只能通过应用程序去识别判断，是否限制某些访问。
识别搜索引擎
通过UserAgent 字符串来识别，下面例子是使用Go 来实现
简单的是通过正则来识别：
1
2
spiderReg = regexp.MustCompile(`(?i)bot|crawl|spider|slurp|sohu-search|lycos|robozilla|google|Baidu`)
spiderReg.MatchString(s)
上面的正则就能识别大多数搜索引擎，使用方法：
1
2
3
if spiderReg.MatchString(r.Header.Get("User-Agent")) {
// 对搜索引擎作响应
}
如果要想要从UserAgent 里分析出更多的信息，可借助一些库来解析，如下面：
1
2
3
4
5
6
7
8
9
import "github.com/mssola/user_agent"
ua = user_agent.UserAgent{}
ua.Parse("Mozilla/5.0 (compatible; Googlebot/2.1;+http://www.google.com/bot.html)")
fmt.Printf("%v\n", ua.Bot()) // => true
name, version = ua.Browser()
fmt.Printf("%v\n", name) // => Googlebot
fmt.Printf("%v\n", version) // => 2.1
[updated: 2022] 发现另一个库比较准确 https://github.com/mileusna/useragent
识别真假
UserAgent 字符串可以在 http 请求时设置，任何一个客户端都可以伪造成一个搜索引擎去访问你的网站。可以通过下面两个步骤去识别真正的搜索引擎。
在 *nix 系统下使用 host 命令，使用方法如下面两个示例：
1
2
3
4
5
6
7
8
$ host 207.46.13.178
178.13.46.207.in-addr.arpa domain name pointer msnbot-207-46-13-178.search.msn.com.
$ host msnbot-207-46-13-178.search.msn.com
msnbot-207-46-13-178.search.msn.com has address 207.46.13.178
$ host 203.208.60.24
24.60.208.203.in-addr.arpa domain name pointer crawl-203-208-60-24.googlebot.com.
$ host crawl-203-208-60-24.googlebot.com
crawl-203-208-60-24.googlebot.com has address 203.208.60.24
解释一下上面的过程，首先通过来访 IP 作DNS反向查询，得到相关域名，再把得到的域名再做一次查询，得到 IP，与原来的IP 相同才是比较靠谱的搜索引擎。
Go 语言里的 net 包可以实现这样的查询：
1
2
names, err := net.LookupAddr(ip)
addrs, err := net.LookupHost(name)
通过这种方式建立一个IP白名单，就可以屏蔽掉一些来路不明的蜘蛛。
本文网址: https://pylist.com/topic/206.html 转摘请注明来源