2005-01-17在我的网站上做了一个试验：在部分动态网页中嵌入了以下PHP代码： echo date(“Y-m-d H:i”) . " Crawled by " . $_SERVER[“HTTP_USER_AGENT”] . " @". $_SERVER[“REMOTE_ADDR” ];

这样，抓取网页的Spider Agent信息和来源地址信息就做为网页内容被搜索引擎索引了。通过搜索结果可以告诉我Spider什么时候，从哪里（IP地址），用什么抓取访问了我的网站。

然后再通过站内搜索命令： site:chedong.com +特征词 就能直接定位到这个spider信息段落，在我的网页上是crawled。今天早上我在Google上查： site:chedong.com crawled 已经能看到效果： 车东 Che, Dong … Alexa流量统计： Hosted by Powweb.com 2005-01-15 22:00 Crawled by Googlebot/2.1 (+http://www.google.com/bot.html) @66.249.71.47. chedong.com/ 说明： Googlebot/2.1于2005-01-15 22:00从66.249.71.47这台服务器进行了抓取。

2005-01-20 YST结果出现 MIME::Base64 - phpMan [英译汉] MIME::Base64 - phpMan Command: man perldoc info search(apropos) … 2005-01-17 23:02 Crawled by Mozilla/5.0 (compatible; Yahoo! Slurp; http://help.yahoo.com … www.chedong.com/phpMan.php/man/MIME::Base64 - 2k - 2005年1月18日

2005-01-20 百度结果出现 车东 Che, Dong …的某些条款可以放弃 [联系方式|Contact] Yahoo! Messenger: [My Bloginality is INTJ] Alexa流量统计: 2005-01-18 23:01 Crawled by Baiduspider+(+ http://www.baidu.com/search/spider.htm) @202.108…

2005-01-31 MSN Search发布 SSL_CTX_flush_sessions(3) - phpMan … 2635 mod_ssl/2.8.22 OpenSSL/0.9.7d PowWeb/1.1 Under GNU General Public License 2005-01-17 19:27 Crawled by msnbot/0.3 (+http://search.msn.com/msnbot.htm) @207.46.98.34

根据我的网站的AWStats统计：非浏览器流量几乎和用户浏览流量一样多。 浏览器流量 * 44317 3.70 G字节 非浏览器流量 *42467 5.62 G字节 我看了一下：除了MP3播放器和RSS聚合器外，很大一部分是搜索引擎的Spider。

通过这个方法也可以看到自己网站在不同搜索引擎中的更新频度。一直都怀疑很多搜索引擎都没有遵守robots.txt抓取协议，模拟自己是客户端IE浏览器，这是非常不道德的行为。

搜索：site:chedong.com “crawled” 让我们看看那些搜索引擎没有遵守这个规则。 ;-) 在中国搜索上查 _SERVER[“HTTP_USER_AGENT”] phpinfo 得到的结果是： phpinfo() OnOn ignore_user_ID"] s3jNMX8AAAEAABseI-gAAAAB _SERVER[“HTTP] no-cache _SERVER[“HTTP_USER_AGENT”]User-Agent: Mozilla/4.0 (compatible; MSIE 5.5; Windows NT 5.0) _SERVER[“HTTP… 说明中搜使用的SPIDER：是将自己身份设置为Windows 2000的IE 5.5版本浏览器？

2005-01-18 15日有一段时间是将这些标记放到phpMan.php标题里的：从中我们可以看到Googlebot的IP分布：和控制的较好的抓取频度。

Google的抓取分布的很均匀。