05.11.08

搜索引擎爬虫列表

Posted in 实验室, Apache, FreeBSD/Unix服务器 at 18:52 Author:仲远 浏览量: 489

标签:Apache, Freebsd/Unix服务器, Spiders, 实验室, 搜索引擎, 网络爬虫, 蜘蛛

搜索引擎是人们再熟悉不过的工具，它将Internet上的信息索引起来，方便人们在海量数据中迅速查找有用的信息。而搜索引擎公司，国外以Google为代表，国内以百度为代表，成为互联网上举足轻重的公司，其访问量也远远超过传统门户网站，成为网民最离不开的网络服务。而遇到问题“Google一下”或者“百度一下”也成为人们日常生活中的习惯。

而对于网站建设者而言，也会经常与搜索引擎打交道，这就是Search Engine Spiders（网络爬虫，或者叫搜索引擎蜘蛛，网页爬取机器人等）。这些Spider爬虫蜘蛛会经常光顾各个网站，将网站上的最新内容爬取下来，并编入索引库中。以下是一些常见的搜索引擎蜘蛛列表：

高强度爬虫程序

Baiduspider+(+http://www.baidu.com/search/spider.htm)

百度爬虫

高强度爬虫，有时会从多个IP地址启动多个爬虫程序！

由于算法问题，百度爬虫对相同页面会多次发出请求（尤其是首页），令人烦恼。

推广效果好。

Mozilla/5.0 (compatible; Yahoo! Slurp China; http://misc.yahoo.com.cn/help.html)

Mozilla/5.0 (compatible; Yahoo! Slurp; http://help.yahoo.com/help/us/ysearch/slurp)

雅虎爬虫，分别是雅虎中国和美国总部的爬虫

高强度爬虫，有时会从多个IP地址启动多个爬虫程序！

比较规范的爬虫，看参考其网址，设定爬虫访问间隔。（但需要考虑同时出现多个yahoo爬虫）

推广效果尚可。

iaskspider/2.0(+http://iask.com/help/help_index.html)

Mozilla/5.0 (compatible; iaskspider/1.0; MSIE 6.0)

新浪爱问爬虫

算法差，大量扫描无实际意义的页面，对动态链接网站负担很大

推广效果差。

Sogou web spider/3.0(+http://www.sogou.com/docs/help/webmasters.htm#07)

Sogou Push Spider/3.0(+http://www.sogou.com/docs/help/webmasters.htm#07)

【早期用法：“sogou spider”】

搜狗爬虫

算法差，大量扫描无实际意义的页面，对动态链接网站负担很大

推广效果差。

中等强度爬虫程序

Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)

Google爬虫

算法优秀，多为访问有实际内容的页面

推广效果好。 → 详情

Mediapartners-Google/2.1

Google AdSense广告内容匹配爬虫，对网页收录有一定辅助作用。→ 详情

Mozilla/5.0 (compatible; YodaoBot/1.0; http://www.yodao.com/help/webmaster/spider/; )

【早期采用“ OutfoxBot/0.5 (for internet experiments; http://; outfoxbot@gmail.com)”】

网易爬虫

其搜索算法需要改进

推广效果差。

ia_archiver

Alexa排名爬虫，用于检测网站是否做了alexa排名的作弊。→ 详情

Mozilla/5.0 (Twiceler-0.9 http://www.cuill.com/twiceler/robot.html)

美国斯坦福大学的一个学生研究项目。→ 详情

WebAlta Crawler/2.0 (http://www.webalta.net/ru/about_webmaster.html) (Windows; U; Windows NT 5.1; ru-RU)

来自俄国的爬虫，对中国大陆的网站基本无推广效果。

其agent信息中给出的网页无法打开，据说webalta.net是俄国非常流行的搜索引擎。

其他搜索引擎的爬虫

msnbot/1.0 (+http://search.msn.com/msnbot.htm)

MSN爬虫

特点未知

msnbot-media/1.0 (+http://search.msn.com/msnbot.htm)

{{{1}}}（欢迎补充资料）

特点未知

Mozilla/4.0(compatible; MSIE 5.0; Windows 98; DigExt)

DigExt并非一个独立的爬虫程序，而是IE5的“允许脱机阅读”模式标记。→ 详情

Mozilla/3.0 (compatible; Indy Library)

Indy Library本来是个开源程序库，但后来被spam bots冒用。→ 详情

抓取强度：各服务器上不一定

推广效果：无

P.Arthur 1.1

据称为北大天网的搜索引擎爬虫程序

Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; QihooBot 1.0)

名字上看来是Qihoo的

特点未知

Gigabot

Gigabot/2.0 (http://www.gigablast.com/spider.html)

Gigabot搜索引擎爬虫。已被google收购？（欢迎补充资料）

eApolloBot/1.0 (eApollo search engine robot; http://www.eapollo.com; eapollo at global-opto dot com)

lanshanbot/1.0

据说是中搜爬虫。（欢迎补充资料）

iearthworm/1.0, iearthworm@yahoo.com.cn

专抓图片的爬虫，据说来源IP是3721或阿里巴巴。→ 详情

TMCrawler

Mozilla/5.0 (compatible; heritrix/1.10.2 +http://i.stanford.edu/)

开源的网络爬虫，一个数字图书馆项目。→ 详情

WebNews http.pl

 

Permalink