Categories


Tags


屏蔽百度爬虫的方法

在百度C2C产品“百度有啊”即将上线的时候,淘宝网站曾经屏蔽百度搜索爬虫,禁止百度搜索引擎抓取淘宝网站的网页内容,淘宝官方的解释是“杜绝不良商家欺诈”。

在技术层面,淘宝屏蔽百度的方法是,在网站的robots.txt文件中加上如下内容:

User-agent: Baiduspider

Disallow: /

但实际上这种方法并不能完全屏蔽百度的爬虫,至今在百度上输入site:taobao.com还是可以看到内容,要不要索引网站,还是由百度说了算,要是遵守robots协议,那才不会索引,因此要想完全屏蔽百度的爬虫,需要在.htaccess中加入一些语句才可以,下面介绍两种方法。

方法1:

RewriteEngine on

RewriteCond %{HTTP_USER_AGENT} ^Baiduspider [NC]

RewriteRule .* - [F]

方法2:

SetEnvIfNoCase User-Agent "^Baiduspider" bad_bot

<Limit GET POST>

Order Allow,Deny

Allow from all

Deny from env=bad_bot

</Limit>

当然,对于普通中文网站来说,还是不建议屏蔽百度的爬虫,通常情况下做一些大型的英文网站,才有必要这么做,以节省流量。

来源:月光博客


Public @ 2012-08-15 15:56:41

轻松两步,正确识别百度蜘蛛(User-Agent)

步骤1:查看日志 首先,我们需要查看网站的访问日志。在日志中,我们可以看到每个请求的详细信息,包括访问者的IP地址、请求的页面、时间戳和User-Agent(用户代理)等信息。 User-Agent是用来识别客户端的应用程序类型和版本号的字符串。在百度蜘蛛访问网站时,其User-Agent通常会包含“Baiduspider”关键词。因此,通过查看日志,我们可以很容易地识别是否有百度蜘蛛在访问我

Public @ 2023-04-06 11:00:21

轻松两步,正确识别百度蜘蛛(User-Agent)

1. 查看网站日志文件:网站日志文件记录了所有访问者的信息,包括User-Agent,可以通过查看日志文件来确定是否有百度蜘蛛访问。日志文件通常在网站服务器上的特定目录下,以文件扩展名为.log或.txt的形式存储。在日志文件中搜索“Baiduspider”或“Baidu”即可找到百度蜘蛛的记录。 2. 使用在线工具:有许多在线工具可以帮助识别User-Agent,例如User-Agent字符串

Public @ 2023-04-21 13:00:19

如何判断是否冒充Baiduspider的抓取?

判断是否冒充Baiduspider的抓取可以通过以下步骤进行: 1. 查看User-Agent:Baiduspider是百度搜索引擎的爬虫程序,其User-Agent通常以"Baiduspider"开头,后面跟着版本号。如果请求的User-Agent不是以"Baiduspider"开头,就可能是冒充Baiduspider的抓取。 2. IP地址验证:冒充Baiduspider的抓取可能使用不属

Public @ 2023-07-28 05:00:22

如何识别Baiduspider

上周百度站长平台接到某站长求助,表示误封禁了Baiduspider的IP,询问是否有办法获得Baiduspider的所有IP,打算放入白名单加以保护,防止再次误封。在此要告诉各位站长,Baiduspider的IP池是不断变动的,我们无法提供IP全集。除此之外,之前还有站长发来质疑说Baiduspider光顾过于频繁,已超越服务器承受能力。而百度站长平台追查发现,Baiduspider对该站点的抓取

Public @ 2017-03-14 15:38:44

更多您感兴趣的搜索

0.439341s