什麼是網路爬蟲？| 網路蜘蛛如何運作

何謂網路爬蟲傀儡程式？

網路爬蟲、蜘蛛，或搜尋引擎傀儡程式下載網際網路上所有的內容並製作相關索引。此類傀儡程式旨在學習網站 (幾乎) 每個網頁，以便有必要時擷取資訊。稱此應用程式為「網路爬蟲」是因為「爬行」是技術名詞，指的是自動存取網站，以及透過軟體程式取得資料。

這些傀儡程式幾乎往往都是由搜尋引擎操作。透過將搜尋運算法套用至網路爬蟲收集而得的資料，搜尋引擎可按照使用者查詢，提供相關連結，或使用者在 Google 或 Bing (或其他搜尋引擎) 內鍵入搜尋後，建立網頁清單。

網路爬蟲傀儡程式就好像有人走進書籍沒有好好整理的圖書館，接著再閱讀和編列卡片目錄，好讓任何造訪圖書館的人都能快速輕鬆尋找所需資訊。為了要按照主題分類和整理圖書館藏書，整理者將閱讀每本書的標題、摘要，以及部份內容文字，了解它們的主題。

然而，有別於圖書館，網際網路未內含實際的書籍，因此更難以確認是否已妥善製作所有必要資訊的索引，或忽略了大部份的內容。為了尋找網際網路可提供的所有相關資訊，網路爬蟲傀儡程式將開始搜尋特定的已知網頁組合，然後再跟隨該等網頁的超連結，存取其他網頁、接著再跟隨其他網頁的超連結，存取更多網頁，據此不斷進行此作業。

我們不知道搜尋引擎傀儡程式實際上已爬行了多少公開的網際網路。某些資料來源估計只有 40-70% 的網際網路已製作了搜尋索引，也就是數十億的網頁。

何謂搜尋索引？

搜尋索引如同為網際網路製作圖書館卡片型錄，好讓搜尋引擎知道，一旦有人在網際網路搜尋資訊，該往何處取得答案。此外，也可將資訊與書籍背面的索引進行比較，當中列示書中提到特定主題或短句的位置。

索引主要強調頁面顯示的文字，以及使用者看不到的頁面中繼資料*。大部份搜尋引擎製作頁面索引時，它們會新增頁面所有文字至索引，而 Google 的做法是排除「a」、「an」和「the」的字眼。使用者搜尋這些字時，搜尋引擎將瀏覽這些字詞出現的所有頁面索引，再選擇最相關的頁面。

*在搜尋索引中，中繼資料指的是向搜尋引擎說明網頁內容的資料。有別於使用者看得見的網頁，中繼標題和中繼說明將顯示在搜尋引擎的結果頁。

網路爬蟲如何運作？

網際網路不斷改變和擴展。由於我們不可能知道網際網路上到底有多少網頁，網路爬蟲傀儡程式先從種子，或已知 URL 清單開始。它們先爬行 URL 上的網頁，也同步尋找連結至其他 URL 的超連結，以及新增它們至頁面清單，供後續爬行。

由於網際網路上有大量網頁需要製作搜尋索引，這個流程幾乎會一直持續下去。然而，網路爬蟲會遵行特定政策，讓它更能選擇應爬行哪些頁面、順序、頻率，以及重返爬行，以檢查內容更新。

每個頁面的相關重要性：大部份網路爬蟲不會爬行全面公開的網際網路，且未企圖這樣做。它們反而是根據連結至特定網頁的其他網頁數量、該網頁的訪客數量，以及其他意味著頁面內含重要資訊的可能性等其他要素，決定先爬行哪個頁面。

此舉意指：特定網頁經由許多其他網頁引述，以及曾有許多訪客造訪，就很可能內含高品質的權威性資訊，因此，就如同圖書館會多存放許多人會借的書一樣，搜尋引擎要為此等網頁製作搜尋索引，就變得特別重要。

再造訪網頁：網站內容持續更新、移除或移轉至新位置。網站爬蟲將定期再造訪網頁，確定已製作最新版內容的索引。網路爬蟲將定期再造訪網頁，確定已製作最新版內容的索引。

Robots.txt 條件要求：網路爬蟲也根據 robots.txt 通訊協定 (又名網路爬蟲排除通訊協定)，決定爬行哪些網頁。爬行網頁前，它們將檢查由該網頁的網頁伺服器所代管的 robots.txt 檔案。robots.txt 是指定任何機器人存取代管網站或應用程式規則的文字檔。這些規則定義機器人可爬行的網頁，以及可跟隨的連結。例如：檢查 Cloudflare.com robots.txt 檔案。

所有這些因素於其專屬運算內都有不同的比重，而每個搜尋引擎也據此在其蜘蛛傀儡程式中建立。儘管最終目標一致，也就是：從網頁下載內容，並製作索引，但不同搜尋引擎的網路爬蟲有著略為不同的行為。

為什麼網路爬蟲又被稱為「蜘蛛」？

網際網路，或至少是大部份使用者存取的部份，又名全球資訊網 (World Wide Web)，也就是大部份網址以「www」作為起頭的原因。把搜尋引擎傀儡程式稱為「蜘蛛」其實是很正常的事，因為程式在網路四處搜尋，就如同蜘蛛在蜘蛛網上爬行一樣。

應經常允許網路爬蟲傀儡程式存取 Web 資產嗎？

應由 Web 資產決定，且需視幾個元素而定。網路爬蟲要求伺服器資源，以便製作內容索引。它們提出伺服器需回應的查詢，就如同使用者造訪網站，或其他傀儡程式存取網站一樣。視每頁的內容數量，或網站的頁面數量而定，網站管理員可權衡爬蟲對網站的最佳利益，不允許搜尋索引太常造訪，因為太多索引可能會對伺服器帶來過重負擔、增加頻寬成本，或同時出現這兩個問題。

此外，除非已向使用者提供頁面連結 (而無需將頁面放在付款牆或登入之後)，開發人員或公司也許不希望某些頁面可被搜尋。舉例來說：某企業建立專屬的行銷活動登錄頁，但不希望不是活動的目標對象存取頁面。這樣做可確切制訂相關訊息，或確切評量頁面的效能。在此等情況下，企業可在登錄頁新增「不必索引」 (no index) 標記，就不會顯示在搜尋引擎的結果內。它們也可以在網頁或 robots.txt 檔案新增「不允許」 (disallow) 標籤，那麼搜尋引擎蜘蛛就絕對不會爬行到該網頁。

網站持有人可能會基於許多其他理由，不希望網路爬蟲傀儡程式爬到其部份或全部網站。例如：某些網站允許使用者在其站內進行搜尋，也許希望封鎖搜尋結果頁，因為這樣做對大部份使用者都沒有用處。其他自動建立的網頁只會對一位使用者或少數特定使用者有用，因此也應封鎖。

網路爬行和網站剽竊有何不同？

網站剽竊、資料剽竊，或內容剽竊指的是傀儡程式未經網站允許就下載相關內容，往往旨在用相關內容以達成惡意目的。

網站剽竊的目標對象，通常比網路爬行顯著精準。網站剽竊也許只想存取特定頁面或網站，而網站爬蟲則跟隨連結，並持續爬行網頁。

此外，網站剽竊傀儡程式也許會無視對網頁伺服器帶來的壓力，而網路爬蟲，特別是來自主要搜尋引擎的應用程式，將遵循 robots.txt 檔案並限制其查詢，不對網頁伺服器帶來過重的負擔。

網路爬蟲如何影響搜尋引擎最佳化作業 (SEO)？

SEO 是搜尋引擎最佳化的英文縮寫，指的是為內容做好準備的準則，以便進行搜尋索引，好讓網站的排名能儘量超前於搜尋引擎結果中。

若蜘蛛傀儡程式不爬行特定網站，它就沒有搜尋索引，也就是無法顯示在搜尋結果中。因此，若網站持有人想要取得來自搜尋結果的有機流量，不封鎖網路爬蟲傀儡程式至關重要。

目前在網際上很活躍的網路爬蟲傀儡程式有哪些？

來自主要搜尋引擎的傀儡程式：

• Google：Googlebot (實際上有兩個網路爬蟲，分別是：Googlebot Desktop 和 Googlebot Mobile，分別適用於電腦版和行動版搜尋)
• Bing：Bingbot
• Yandex (俄語搜尋引擎)：Yandex 傀儡程式
• 百度 (Baidu) (簡體中文搜尋引擎)：Baidu 蜘蛛

還有許多較不常見的網路爬蟲傀儡程式，當中有些沒有任何相關的搜尋引擎。

為什麼傀儡程式管理要考量網路爬蟲是如此的重要？

惡意機器人能造成許多損害，涵蓋糟糕使用者體驗、伺服器故障、資料竊盜等等。然而，封鎖惡意機器人時，重要的是仍允許網路爬蟲之類的善意機器人存取 web 資產。Cloudflare 機器人管理允許善意機器人持續存取網站，同時緩解惡意的機器人流量。產品持續自動更新善意機器人允許清單 (如網路爬蟲)，以確保不會封鎖此類機器人。小型組織可以透過 Cloudflare Pro 和 Business 方案中提供的超級機器人抵禦模式，獲得對機器人流量類似級別的可見度和控制。