主流网络爬虫机器人/蜘蛛详解
本文转载自：https://docs.fuyeor.com/various-spiders
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
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。
Baiduspider
Baiduspider 是百度搜索引擎的蜘蛛呦！
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。关于 OPG 标签是什么，请参考以下文章：
什么是 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。
二. 你如何处理CCbot蜘蛛?
方法1. 使用robots.txt
使用robots.txt文件来允许或禁止蜘蛛访问页面的权限。robots.txt是放在网站根目录中，蜘蛛来访问时会先查找并查看robots.txt文件，并遵守robots协议来访问网站上的内容，允许访问则访问，不允许访问蜘蛛则离开。
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。
自从我们推出 DataForSEO 以来，我们的使命就是通过向世界各地的 SEO 爱好者和专业人士提供高质量的数据来公平竞争。
DataForSEO 机器人是确保 SEO 社区的每个成员 – 无论口袋大小都可以访问 Google 排名算法的核心元素。我们正在开发网络上最大的可用反向链接数据库，包括您在内的社区每个成员都可以使用该数据库并从中受益。
Backlinks API 是我们正在开发的新产品的名称，其目的只有一个：为网站所有者、网站站长和 SEO 专业人员提供分析网站优化和反向链接的关键组件的机会。
为了实现这个雄心勃勃的目标，我们需要建立一个类似于谷歌 PageRank 算法的系统，并确保它的工作原理。在过去的一年里，我们的团队一直在研究、规划、构建和重述这个系统。
但更进一步，我们需要你的帮助。不，这次我们不想卖给你任何东西。事实上，你能做的最好的事情就是… 好吧，什么也不做
如果您正在阅读本文，请不要直接冲向你的 robots.txt 阻止我们的用户代理。这样，您将帮助成千上万的网站所有者 （ 像你一样 ） 提高网站的知名度。
我们每月订阅访问此特定 API（直到今年 12 月 8 日，价格为 30 美元，在此日期之后将没有折扣，您必须支付访问费的全部费用，每月 100 美元）
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: /
*博主的文章是自己平时开发总结的经验，由于博主的水平不高，不足和错误之处在所难免，希望大家能够批评指出。
*我的博客： http://www.cnblogs.com/lxhbky/
