您可以在网站的 robots.txt 文件中添加以下内容，来阻止 Sogou 蜘蛛抓取您的网站： User-agent: Sogou Disallow: / 这会告诉 Sogou 蜘蛛不要访问您的整个网站。如果您只想阻止蜘蛛访问特定页面或目录，可以将 Disallow: / 替换为您想要屏蔽的 URL。例如： User-agent: Sogou Disallow: /admin/ Disallow: /private/page.html 请注意，这只是提示蜘蛛不要访问您的网站，而不是完全保证它们不会访问。某些蜘蛛可能会忽略 robots.txt 文件或对其进行解释有所不同。此外，此方法也无法阻止其他搜索引擎的蜘蛛。
抓取策略：那些网页是我们需要去下载的，那些是无需下载的，那些网页是我们优先下载的，定义清楚之后，能节省很多无谓的爬取。更新策略：监控列表页来发现新的页面；定期check 页面是否过期等等。抽取策略：我们应该如何的从网页中抽取我们想要的内容，不仅仅包含最终的目标内容，还有下一步要抓取的url.抓取频率：我们需要合理的去下载一个网站，却又不失效率。让我对“如何和爬虫对话 ”这个课题有了一些思考，下面归
通过HTTP状态代码通通透透看搜索引擎怎么Crawl你的站。下面的表格是所有 HTTP 状态代码及其定义。代码指示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。
搜狗暂不对外提供搜狗spider IP列表，但您可以通过DNS反查IP的方式判断某只spider是否来自搜狗搜索引擎。根据不同平台有不同的验证方法。linux平台：命令为host ip,如下图。搜狗spider的hostname以 *.sogou.com格式命名，非 *.sogou.com均为冒充。在windows平台或者IBM OS/2平台：命令为nslookup ip，搜狗spider的hos
内容优良而独特的页面。如果您的页面内容和互联网上已存在的其他页面有高度的相似性，可能不会被 sogou spider 收录。链接层次较浅的页面。过深的链接层次，尤其是动态网页的链接，会被丢弃而不收录。如果是动态网页，请控制参数的数量和URL的长度。搜狗更偏好收录静态网页。重定向次数越多的页面，越有可能被 sogou spider 丢弃。来源：搜狗资源平台
