web-dev-qa-db-ja.com

JavaScriptを介して検索クローラーを検出する

検索クローラーを検出するにはどうすればよいのでしょうか?私が尋ねる理由は、ユーザーエージェントがボットである場合、特定のJavaScript呼び出しを抑制したいからです。

特定のブラウザーを検出する方法の例を見つけましたが、検索クローラーを検出する方法の例を見つけることができません:

/MSIE (\d+\.\d+);/.test(navigator.userAgent); //test for MSIE x.x

ブロックしたい検索クローラーの例:

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

Baidu 
Baiduspider+(+http://www.baidu.com/search/spider_jp.html) 
Baiduspider+(+http://www.baidu.com/search/spider.htm) 
BaiDuSpider 
43
Jon

これは正規表現Ruby UA agent_orange ライブラリは、userAgentがボットに見えるかどうかをテストするために使用します。 bot userAgent list here を参照することにより、特定のボットに絞り込むことができます:

/bot|crawler|spider|crawling/i

たとえば、util.browser、ユーザーが使用しているデバイスの種類を保存できます。

util.browser = {
   bot: /bot|googlebot|crawler|spider|robot|crawling/i.test(navigator.userAgent),
   mobile: ...,
   desktop: ...
}
41
megawac

次の正規表現は、 this post に従って最大の検索エンジンに一致します。

/bot|google|baidu|bing|msn|duckduckbot|teoma|Slurp|yandex/i
    .test(navigator.userAgent)

一致する検索エンジンは次のとおりです。

  • バイドゥ
  • Bingbot/MSN
  • ダックダックゴー
  • グーグル
  • テオマ
  • Yahoo!
  • ヤンデックス

さらに、小さなクローラー/ボットのキャッチオールとしてbotを追加しました。

15
Edo

これを試して。 https://github.com/monperrus/crawler-user-agents で利用可能なクローラーリストに基づいています

var botPattern = "(googlebot\/|Googlebot-Mobile|Googlebot-Image|Google favicon|Mediapartners-Google|bingbot|Slurp|Java|wget|curl|Commons-HttpClient|Python-urllib|libwww|httpunit|nutch|phpcrawl|msnbot|jyxobot|FAST-WebCrawler|FAST Enterprise Crawler|biglotron|teoma|convera|seekbot|gigablast|exabot|ngbot|ia_archiver|GingerCrawler|webmon |httrack|webcrawler|grub.org|UsineNouvelleCrawler|antibot|netresearchserver|speedy|fluffy|bibnum.bnf|findlink|msrbot|panscient|yacybot|AISearchBot|IOI|ips-agent|tagoobot|MJ12bot|dotbot|woriobot|yanga|buzzbot|mlbot|yandexbot|purebot|Linguee Bot|Voyager|CyberPatrol|voilabot|baiduspider|citeseerxbot|spbot|twengabot|postrank|turnitinbot|scribdbot|page2rss|sitebot|linkdex|Adidxbot|blekkobot|ezooms|dotbot|Mail.RU_Bot|discobot|heritrix|findthatfile|europarchive.org|NerdByNature.Bot|sistrix crawler|ahrefsbot|Aboundex|domaincrawler|wbsearchbot|summify|ccbot|edisterbot|seznambot|ec2linkfinder|gslfbot|aihitbot|intelium_bot|facebookexternalhit|yeti|RetrevoPageAnalyzer|lb-spider|sogou|lssbot|careerbot|wotbox|wocbot|ichiro|DuckDuckBot|lssrocketcrawler|drupact|webcompanycrawler|acoonbot|openindexspider|gnam gnam spider|web-archive-net.com.bot|backlinkcrawler|coccoc|integromedb|content crawler spider|toplistbot|seokicks-robot|it2media-domain-crawler|ip-web-crawler.com|siteexplorer.info|elisabot|proximic|changedetection|blexbot|arabot|WeSEE:Search|niki-bot|CrystalSemanticsBot|rogerbot|360Spider|psbot|InterfaxScanBot|Lipperhey SEO Service|CC Metadata Scaper|g00g1e.net|GrapeshotCrawler|urlappendbot|brainobot|fr-crawler|binlar|SimpleCrawler|Livelapbot|Twitterbot|cXensebot|smtbot|bnf.fr_bot|A6-Indexer|ADmantX|Facebot|Twitterbot|OrangeBot|memorybot|AdvBot|MegaIndex|SemanticScholarBot|ltx71|nerdybot|xovibot|BUbiNG|Qwantify|archive.org_bot|Applebot|TweetmemeBot|crawler4j|findxbot|SemrushBot|yoozBot|lipperhey|y!j-asr|Domain Re-Animator Bot|AddThis)";
var re = new RegExp(botPattern, 'i');
var userAgent = 'Googlebot/2.1 (+http://www.googlebot.com/bot.html)';
if (re.test(userAgent)) {
    console.log('the user agent is a crawler!');
}
12

「MSIE x.xのテスト」の例は、正規表現に対してuserAgentをテストするためのコードです。あなたの例では、正規表現は

/MSIE (\d+\.\d+);/

部。ユーザーエージェントをテストする独自の正規表現に置き換えるだけです。それは次のようになります

/Google|Baidu|Baiduspider/.test(navigator.userAgent)

ここで、垂直バーは、言及したすべてのロボットに対してユーザーエージェントを一致させる「または」演算子です。正規表現の詳細については、 このサイト を参照してください。javascriptはPerlスタイルのRegExpを使用するためです。

0
morten.c