如何准确判断请求是搜索引擎爬虫（蜘蛛）发出的请求？

网站经常会被各种爬虫光顾，有的是搜索引擎爬虫，有的不是，通常情况下这些爬虫都有UserAgent，而我们知道UserAgent是可以伪装的，UserAgent的本质是Http请求头中的一个选项设置，通过编程的方式可以给请求设置任意的UserAgent。 

所以通过UserAgent判断请求的发起者是否是搜索引擎爬虫（蜘蛛）的方式是不靠谱的，更靠谱的方法是通过请求者的ip对应的host主机名是否是搜索引擎自己家的host的方式来判断。

要获得ip的host，在windows下可以通过nslookup命令，在linux下可以通过host命令来获得，例如：

这里我在windows下执行了nslookup ip 的命令，从上图可以看到这个ip的主机名是crawl-66-249-64-119.googlebot.com。 这说明这个ip是一个google爬虫，google爬虫的域名都是 xxx.googlebot.com.

我们也可以通过python程序的方式来获得ip的host信息，代码如下：

import socket
def getHost(ip):
    try:
        result=socket.gethostbyaddr(ip)
        if result: return result[0], None
    except socket.herror,e:
        return None, e.message

上述代码使用了socket模块的gethostbyaddr的方法获得ip地址的主机名。

常用蜘蛛的域名都和搜索引擎官网的域名相关，例如：

• 百度的蜘蛛通常是baidu.com或者baidu.jp的子域名
• google爬虫通常是googlebot.com的子域名
• 微软bing搜索引擎爬虫是search.msn.com的子域名
• 搜狗蜘蛛是crawl.sogou.com的子域名

基于以上原理，我写了一个工具页面提供判断ip是否是真实搜索引擎的工具页面，该页面上提供了网页判断的工具和常见的google和bing的搜索引擎爬虫的ip地址。

页面地址：http://outofmemory.cn/tools/is-search-engine-spider-ip/ 

本文提供的代码是python代码，通过c#代码也是可以实现的，原理是一样的。

附带常见搜索引擎蜘蛛的IP段：

蜘蛛名称	IP地址
Baiduspider	202.108.11.* 220.181.32.* 58.51.95.* 60.28.22.* 61.135.162.* 61.135.163.* 61.135.168.*
YodaoBot	202.108.7.215 202.108.7.220 202.108.7.221
Sogou web spider	219.234.81.* 220.181.61.*
Googlebot	203.208.60.*
Yahoo! Slurp	202.160.181.* 72.30.215.* 74.6.17.* 74.6.22.*
Yahoo ContentMatch Crawler	119.42.226.* 119.42.230.*
Sogou-Test-Spider	220.181.19.103 220.181.26.122
Twiceler	38.99.44.104 64.34.251.9
Yahoo! Slurp China	202.160.178.*
Sosospider	124.115.0.*
CollapsarWEB qihoobot	221.194.136.18
NaverBot	202.179.180.45
Sogou Orion spider	220.181.19.106 220.181.19.74
Sogou head spider	220.181.19.107
SurveyBot	216.145.5.42 64.246.165.160
Yanga WorldSearch Bot v	77.91.224.19 91.205.124.19
baiduspider-mobile-gate	220.181.5.34 61.135.166.31
discobot	208.96.54.70
ia_archiver	209.234.171.42
msnbot	65.55.104.209 65.55.209.86 65.55.209.96
sogou in spider	220.181.19.216