YioopBot YioopBot

蜘蛛/爬虫名称
YioopBot
开发商
SeekQuarry, LLC
官网
www.seekquarry.com
当前状态
活动
  • YioopBot
  • YioopBot
  • YioopBot
  • YioopBot
  • YioopBot
  • YioopBot
  • gofind
用户代理字符串
Mozilla/5.0 (compatible; YioopBot; +https://www.yioop.com/bot.php)
类型
搜索引擎
首次出现
2019-07-15 18:47:22
最后出现
2020-09-22 17:34:17
遵循robots.txt
IP地址
5
来源
IP地址 服务器名称 所属国家
173.13.143.76 173-13-143-76-sfba.hfc.comcastbusiness.net US
173.13.143.74 173-13-143-74-sfba.hfc.comcastbusiness.net US
173.13.143.78 173-13-143-78-sfba.hfc.comcastbusiness.net US
用户代理字符串
Mozilla/5.0 (compatible; Please Name Your robot; +http://192.168.1.33:23481/yioop/bot.php)
类型
搜索引擎
首次出现
2018-09-25 08:59:59
最后出现
2018-09-25 09:03:10
遵循robots.txt
IP地址
1
来源
IP地址 服务器名称 所属国家
95.31.13.58 shabuninairina.static.corbina.ru RU
用户代理字符串
Mozilla/5.0 (compatible; YioopBot; +http://173.13.143.74/bot.php)
类型
搜索引擎
首次出现
2013-01-07 13:05:46
最后出现
2015-10-15 17:48:39
遵循robots.txt
IP地址
2
来源
IP地址 服务器名称 所属国家
173.13.143.74 173-13-143-74-sfba.hfc.comcastbusiness.net US
173.13.143.78 173-13-143-78-sfba.hfc.comcastbusiness.net US
用户代理字符串
Mozilla/5.0 (compatible; TestBot; +http://localhost/yioop/bot.php)
类型
搜索引擎
首次出现
2015-08-25 07:44:05
最后出现
2015-08-25 07:44:05
遵循robots.txt
IP地址
1
来源
IP地址 服务器名称 所属国家
78.69.113.163 78-69-113-163-no49.tbcn.telia.com SE
用户代理字符串
Mozilla/5.0 (compatible; YioopBot; +http://www.yioop.com/bot.php)
类型
搜索引擎
首次出现
2012-03-12 19:24:27
最后出现
2012-11-18 00:22:43
遵循robots.txt
IP地址
2
来源
IP地址 服务器名称 所属国家
173.13.143.76 173-13-143-76-sfba.hfc.comcastbusiness.net US
173.13.143.74 173-13-143-74-sfba.hfc.comcastbusiness.net US
173.13.143.78 173-13-143-78-sfba.hfc.comcastbusiness.net US
95.31.13.58 shabuninairina.static.corbina.ru RU
78.69.113.163 78-69-113-163-no49.tbcn.telia.com SE
用户代理字符串
Mozilla/5.0 (compatible; YioopBot; +http://www.yioop.com/bot.php)
类型
搜索引擎
首次出现
2012-03-12 19:24:27
最后出现
2012-11-18 00:22:43
遵循robots.txt
IP地址
2
来源
IP地址 服务器名称 所属国家
173.13.143.74 173-13-143-74-sfba.hfc.comcastbusiness.net US
173.13.143.78 173-13-143-78-sfba.hfc.comcastbusiness.net US
用户代理字符串
Mozilla/5.0 (compatible; gofind; +http://govid.mobi/bot.php)
类型
搜索引擎
首次出现
2012-04-09 10:20:42
最后出现
2012-04-06 19:37:19
遵循robots.txt
IP地址
1
来源
IP地址 服务器名称 所属国家
69.60.122.130 69.60.122.130 US

如何识别Yioop Bot

估计你来到这个网站是因为你注意到了来自一个用户代理的流量,该代理以字符串的形式识别自己。

Mozilla/5.0 (compatible; YioopBot; +http://www.yioop.com/bot.php)

如果该IP地址也是173.13.143.73至78,那么你就来到了正确的地方,可以了解到可能是谁在抓取你的网站。如果是不同的IP地址,那么就有其他人劫持了我的爬虫的名字。

谁在运行Yioop Bot

几年前,Chris Pollett开始在家用机器上进行实验,以创建一个2500万页的索引。Chris Pollett选择2500万作为目标,因为这是在1998年关于谷歌的原始论文中抓取的页面数量。Chris Pollett终于在2011年10月初实现了这个目标。Chris Pollett的下一个目标是在我的家用机器上抓取1亿个页面–这是Nutch在2003年的演示中抓取的数字。这是在2012年2月5日至3月14日期间通过Yioop实现的。以下是Chris Pollett已经/正在进行的较长时间的抓取列表:

  • May. 24, 2019 – . 测试爬行序列,希望能在新的十亿页爬行中达到高潮。
  • Oct. 10, 2014 – Oct 15, 2015 . 十亿个页面。
  • Jul. 31, 2013 – Nov. 11, 2013 . 3.34亿个页面。
  • Dec. 17, 2012 – Mar. 14, 2013 . 2.76亿页。
  • May, 2012 – July, 2012 . 2.5亿个页面。

抓取结果被用于一个实际的搜索引擎,可在http://www.yioop.com/。这个网站得到来自世界各地的查询。这个搜索引擎和爬虫的GPLv3源代码可在http://www.seekquarry.com/。如果你真的很无聊,你可以在你的网站上实际测试这个软件,以确认或反驳下面描述的内容。如果你发现了错误,最好能给Chris Pollett写信,地址在本文末尾。

Yioop Bot爬行网站的频率

Yioop Bot目前是在少量的机器上零星地运行(不是连续地)。每台机器有大约4-6个取样器进程。每个采集器在任何时候最多打开100-300个连接。在一个典型的情况下,这些连接不会都到同一个主机上。

你如何改变Yioop Bot对你网站的抓取方式

Yioop Bot理解robots.txt(必须是robots.txt而不是robot.txt)文件,并将服从其中的命令,但阻止抓取网站主机页面(又称登陆页)的命令除外。也就是说,如果你有一个命令阻止像http://foo.com/some_path,Yioop将遵守它;但Yioop仍然可能下载页面http://foo.com/。robots.txt必须放在你网站的根目录下,以便遵守其指令。Yioop不会在子文件夹中寻找robots.txt文件。一个简单的robots.txt文件可以阻止Yioop!抓取除主机url页面、cool_stuff文件夹及其子文件夹以外的任何文件夹,它看起来像:

User-agent: YioopBot	
Disallow: /
Allow: /cool_stuff/

YioopBot也服从HTML ROBOTS元标签,内容包括none, noindex, nofollow, noarchive, nosnippet。一个使用noindex, nofollow指令的HTML页面示例可能看起来如下。

<!DOCTYPE html >
<html>
<head><title>Meta Robots Example</title>
<meta name="ROBOTS" content="NOINDEX,NOFOLLOW" />
<!-- The members of the content attribute must be comma separated, 
whitespace will be ignored-->
</head>
<body>
<p>Stuff robots shouldn't put in their index.
<a href="/somewhere">A link that nofollow will prevent from being followed</a></p>
</body>
</html>

YioopBot不使用开放目录或雅虎目录数据,所以隐含地支持noodp和noydir。YioopBot不分大小写地进行匹配。在文档的头部,人们也可以使用rel canonical语法指定一个对应于当前页面的规范页面。比如说:

<link rel="canonical" href="http://my.canonical.page.com/" />

可能会出现在一个有url http://my.canonical.page.com/?t=gratuitous_token 的页面上,以表明这个页面和规范页面是一样的。在HTML文档中,Yioop Bot会尊重锚定指令。例如,以下链接不会被Yioop Bot跟踪:

<a href="/somewhere_else" rel="nofollow" >This link would not be followed by YioopBot</a>

Yioop Bot进一步理解了对robots.txt标准的Crawl-delay扩展,也理解了Sitemap指令。比如说:

User-agent: YioopBot	
Crawl-Delay: 10 # YioopBot will wait 10 seconds between requests
Sitemap: http://www.mycoolsite.com/mycoolsitemap.xml.gz #YioopBot will eventually download

对于非HTML页面,你可以控制Yioop Bot如何索引,跟踪链接,以及Yioop!如何在Yioop!中显示这些页面的结果。网站上显示这些网页的结果,通过使用X-Robots-Tag HTTP头。例如,如果你的网络服务器在实际页面数据(如PDF文件)之前,作为其HTTP响应头的一部分,发送以下内容:

X-Robots-Tag: nosnippet

那么,如果该PDF文件作为搜索结果的一部分出现,那么搜索结果中的链接下就不会有片段文本。如果你想为一个非html文件指定一个规范的链接,你可以使用一个HTTP头,比如。

Link: <http://my.canonical.page.com/sub_dir/my.pdf>; rel="canonical"

关于 robots.txt 和 Meta 标签处理的更多具体信息

在处理robots.txt文件时,如果Disallow和Allow行有冲突,YioopBot会优先考虑Allow指令,而不是Disallow指令,因为robots.txt的默认行为是允许一切,除了明确不允许的内容。

如果一个网页有一个noindex元标签,那么它就不会出现在搜索结果中,前提是Yioop!已经实际下载了该网页。如果Yioop!没有下载该网页,或者被robots.txt文件禁止下载该网页,那么该网页的链接就有可能出现在搜索结果中。这可能发生在另一个页面链接到给定的页面,而Yioop提取了这个链接及其文本,并在搜索结果中使用它们。人们可以通过在Yioop!中输入info:URL查询并查看结果来检查一个URL是否被下载。

当处理robots.txt文件时,YioopBot首先寻找YioopBot用户代理块,并提取其中列出的所有允许和不允许路径。一旦成功,这些就构成了YioopBot用来限制其访问你的网站的路径。如果它找不到任何这样的块,它就会不分大小写地搜索可能包含通配符*的User-Agent名称,这些名称与YioopBot的名称匹配。例如,*oop*,*Bot*,等等。然后,它解析所有这些块,并使用它们来限制对你的网站的访问。特别是,如果你有一个块 “User-Agent: *”,后面有允许和禁止规则,但没有YioopBot的块,那么这些路径将是YioopBot使用和尊重的。
根据网站地图规范,网站地图指令与任何特定的用户代理没有关联。因此,Yioop会在它所做的范围内处理它发现的任何此类指令。

在2012年3月(v 0.86)之前,YioopBot在处理允许和禁止路径时,不理解这些路径中的*或$。”*”和”$”是谷歌、雅虎和必应支持的原始 robots.txt 规范的扩展。从2012年3月起,YioopBot可以理解这些扩展。因此,举例来说,人们可以通过设置Disallow路径来阻止访问你的网站上包含查询字符串的页面,例如:

Disallow: /*?

Yioop!利用cURL库来下载网页。在2012年3月(v0.86)之前,Yioop!使用cURL的自动跟踪重定向。这意味着Yioop! 有时会跟随URL缩短链接或其他重定向到一个robots.txt会拒绝它访问的页面。自2012年3月起,Yioop!不使用cURL的这一功能,而是提取一个链接,该链接必须通过与所有其他链接一样的排队和robots.txt检查。

Yioop Bot改变其行为的速度有多快

当我的机器爬行时间超过一天时,它们会缓存 robots.txt 文件。它们使用缓存的指令,而不是重新请求robots.txt文件,24小时后才再次对robots.txt文件进行新的请求。因此,如果你改变了你的robots.txt文件,在我的爬虫注意到这些变化之前,可能需要花一点时间。

联系信息

如果您对Chris Pollett的爬虫有任何疑问,请随时联系Chris Pollett(chris@pollett.org)。

常见问题

FAQs
查看更多 >