【搜索问答剧场 5】“百度蜘蛛”全面解析
2022-08-18 21:12:21
【抓取篇】
1 ►什么是Baiduspider？Baiduspider也叫百度蜘蛛，是百度搜索引擎的一个自动程序，它的作用是访问互联网上的网页，建立索引数据库，使用户能在百度搜索引擎中搜索到网站相关内容。
2 ►如何才能识别当前抓取是正确的
百度蜘蛛？
开发者们可以通过以下两个方式判断百度蜘蛛。
方式一：查看UA信息
如果UA信息不对，可以直接判断为非百度搜索的蜘蛛。目前UA分为移动、PC、和小程序三个应用场景，这三个渠道UA分别如下：
移动UA
Mozilla/5.0 (Linux;u;Android 4.2.2;zh-cn;) AppleWebKit/534.46 (KHTML,like Gecko)Version/5.1 Mobile Safari/10600.6.3 (compatible; Baiduspider/2.0;+http://www.baidu.com/search/spider.html)
或者
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;+http://www.baidu.com/search/spider.html)
PC UA
Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)
或者
Mozilla/5.0 (compatible; Baiduspider-render/2.0; +http://www.baidu.com/search/spider.html)
小程序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)
方式二：双向DNS解析认证
第1步：DNS反查IP
开发者通过对日志中访问服务器的IP地址运行反向DNS查找，判断某只spider是否来自百度搜索引擎，Baiduspider的hostname以*.baidu.com或*.baidu.jp 的格式命名，其他格式即为冒充。
不同类型的平台验证方法也不同，如Linux / Windows / OS三种平台下的验证方法分别如下：
（1）在Linux平台下，可以使用host ip命令反解ip来判断是否来自Baiduspider的抓取。
（2）在Windows平台下，可以使用nslookup ip命令反解ip来 判断是否来自Baiduspider的抓取 。
（3）在Mac OS平台下，可以使用dig 命令反解ip来 判断是否来自Baiduspider的抓取。
第2步：对域名运行正向DNS查找
对第1步中通过命令检索到的域名运行正向DNS查找，验证该域名与您日志中访问服务器的原始IP地址是否一致，IP地址一致可确认spider来自百度搜索引擎，IP地址不一致即为冒充。
3►百度蜘蛛会一直抓我的网站吗？
一般会的，若网站持续生产新资源、更新内容等，蜘蛛会持续抓取的。需要提醒的是，若网站需要百度蜘蛛抓取一定不要做任何封禁哦。（封禁相关参考下文内容）
此外，您也可以检查网站访问日志，及时判断正确的百度蜘蛛，以防止有人恶意冒充百度蜘蛛来频繁抓取您的网站。
4►百度蜘蛛频繁光顾网站，导致网站服务器压力大，怎么办？
若发现百度蜘蛛频繁抓取，可能是因为以下2个原因。
（1）网站存在新生产资源、更新内容待抓取更新；
（2） 可能存在恶意冒充百度蜘蛛，可以通过上文Q2“如何识别正常百度蜘蛛”的方法排查问题；
若百度蜘蛛抓取频次过高，造成网站服务异常，可以通过百度搜索资源平台-【抓取频次】工具调整频次。
【封禁篇】
1 ►网站部分资源不希望被百度蜘蛛访问
该怎么做？百度蜘蛛遵守互联网robots协议。站长可以更新robots.txt文件，文件中明确不希望百度蜘蛛访问资源或目录等，并及时通过搜索资源平台-【Robots】工具，提交robots文件。
需要注意，robots文件更新和提交后，搜索引擎需要逐渐完成更新，所以百度蜘蛛不是立即停止抓取网页，请耐心等待。
2 ►网站封禁百度蜘蛛，可能会带来哪些影响？
网站资源优质，也没有其他违规问题，但是存在以下情况，可以先自查是否存在封禁百度蜘蛛的问题，及时解除封禁（解除封禁参考QA7），等待恢复。
（1）没有查询到百度蜘蛛任何抓取记录。
（2）在百度搜索中没有得到收录和展现。
（3）网站/目录存在流量异常下降的情况。
（4）在搜索结果中的摘要展现为“存在robots封禁”字样。
3 ►如何解除封禁百度蜘蛛？
常见的封禁行为包括robots封禁、封禁百度UA、封禁百度IP这三种，可以逐一排查解决。
自查robots封禁
查看robots.txt文件，是否存在封禁记录。（一般robots.txt文件放置在网站根目录下。）
自查是否封禁百度UA
robots文件无异常的情况下，进一步排查是否存在封禁百度UA情况。
第一种方法：执行 curl --head --user-agent 'Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)' --request GET 'xxxxxxx'
注意：正常返回码是200，其他情况为异常。
第二种方法：变更浏览器UA验证。
自查是否存在IP封禁
以上验证均无异常，最后进一步排查是否存在IP级别的封禁。
常见的IP封禁，源自网站的防火墙系统配置，需要查看防火墙配置系统后台，检查是否存在百度蜘蛛的IP级别封禁措施。
收藏
举报
