2016-12-21
怎么样分析网站IIS日志中的搜索引擎爬虫轨迹,这是很多网站建设新手放在心里的一个疑问。
假如你要搜索百度的爬虫，那么就直接在保存记录的文本文档上搜索“Baiduspider”，我们节选以下一行来做详细的分析：
一是各大搜索引擎爬虫(蜘蛛)的名称整理如下，大家可以对号入座：
1. Google爬虫名称
1.1 Googlebot：从Google的网站索引和新闻索引中抓取网页
1.2 Googlebot-Mobile针对Google的移动索引抓取网页
1.3 Googlebot-Image：针对Google的图片索引抓取网页
1.4 Mediapartners-Google：抓取网页确定 AdSense 的内容。只有在你的网站上展示 AdSense 广告的情况下，Google才会使用此漫游器来抓取您的网站。
1.5 Adsbot-Google：抓取网页来衡量 AdWords 目标网页的质量。只有在你使用 Google AdWords 为你的网站做广告的情况下，Google才会使用此漫游器。
2. 百度(Baidu)爬虫名称：Baiduspider
3. 雅虎(Yahoo)爬虫名称：Yahoo Slurp
4. 有道(Yodao)蜘蛛名称：YodaoBot
5. 搜狗(sogou)蜘蛛名称：sogou spider
6. MSN的蜘蛛名称：Msnbot
其他的搜索引擎我们使用得很少，就不需要理会了。
二是代码中的200表示搜索引擎蜘蛛爬行后返回HTTP的状态代码，代表成功爬行并抓取。
各个数字代码的具体意思参见如下：
2xx 成功
200 正常;请求已完成。
201 正常;紧接 POST 命令。
202 正常;已接受用于处理，但处理尚未完成。
203 正常;部分信息 — 返回的信息只是一部分。
204 正常;无响应 — 已接收请求，但不存在要回送的信息。
3xx 重定向
301 已移动 — 请求的数据具有新的位置且更改是永久的。
302 已找到 — 请求的数据临时具有不同 URI。
303 请参阅其它 — 可在另一 URI 下找到对请求的响应，且应使用 GET 方法检索此响应。
304 未修改 — 未按预期修改文档。
305 使用代理 — 必须通过位置字段中提供的代理来访问请求的资源。
306 未使用 — 不再使用;保留此代码以便将来使用。
4xx 客户机中出现的错误
400 错误请求 — 请求中有语法问题，或不能满足请求。
401 未授权 — 未授权客户机访问数据。
402 需要付款 — 表示计费系统已有效。
403 禁止 — 即使有授权也不需要访问。
404 找不到 — 服务器找不到给定的资源;文档不存在。
407 代理认证请求 — 客户机首先必须使用代理认证自身。
410 请求的网页不存在(永久);
415 介质类型不受支持 — 服务器拒绝服务请求，因为不支持请求实体的格式。
5xx 服务器中出现的错误
500 内部错误 — 因为意外情况，服务器不能完成请求。
501 未执行 — 服务器不支持请求的工具。
502 错误网关 — 服务器接收到来自上游服务器的无效响应。
503 无法获得服务 — 由于临时过载或维护，服务器无法处理请求
