Tomcat是怎样处理搜索引擎爬虫请求的

　　每个置身于互联网中的站点，都需要搜索引擎的收录，以及在适时在结果中的展现，从而将信息提供给用户、读者。而搜索引擎如何才能收录我们的站点呢?

　　这就涉及到一个「搜索引擎的爬虫」爬取站点内容的过程。只有被搜索引擎爬过并收录的内容才有机会在特定query***之后在结果中展现。

　　这些搜索引擎内容的工具，又被称为爬虫、Sprider，Web crawler 等等。我们一方面欢迎其访问站点以便收录内容，一方面又因其对于正常服务的影响头疼。毕竟 Spider 也是要占用服务器资源的， Spider 太多太频繁的资源占用，正常用户请求处理就会受到影响。所以一些站点干脆直接为搜索引擎提供了单独的服务供其访问，其他正常的用户请求走另外的服务器。

　　说到这里需要提一下，对于是否是 Spider 的请求识别，是通过HTTP 请求头中的User-Agent 字段来判断的，每个搜索引擎有自己的独立标识。而且通过这些内容，管理员也可以在访问日志中了解搜索引擎爬过哪些内容。

　　此外，在对搜索引擎的「爬取声明文件」robots.txt中，也会有类似的User-agent 描述。比如下面是taobao 的robots.txt描述

　　User-agent:  Baiduspider Allow:  /article Allow:  /oshtml Disallow:  /product/ Disallow:  /  User-Agent:  Googlebot Allow:  /article Allow:  /oshtml Allow:  /product Allow:  /spu Allow:  /dianpu Allow:  /oversea Allow:  /list Disallow:  /  User-agent:  Bingbot Allow:  /article Allow:  /oshtml Allow:  /product Allow:  /spu Allow:  /dianpu Allow:  /oversea Allow:  /list Disallow:  /  User-Agent:  360Spider Allow:  /article Allow:  /oshtml Disallow:  /  User-Agent:  Yisouspider Allow:  /article Allow:  /oshtml Disallow:  /  User-Agent:  Sogouspider Allow:  /article Allow:  /oshtml Allow:  /product Disallow:  /  User-Agent:  Yahoo!  Slurp Allow:  /product Allow:  /spu Allow:  /dianpu Allow:  /oversea Allow:  /list Disallow:  /

　　我们再来看 Tomcat对于搜索引擎的请求做了什么特殊处理呢?

　　对于请求涉及到 Session，我们知道通过 Session，我们在服务端得以识别一个具体的用户。那 Spider 的大量请求到达后，如果访问频繁同时请求量大时，就需要创建巨大量的 Session，需要占用和消耗很多内存，这无形中占用了正常用户处理的资源。

　　为此， Tomcat 提供了一个 「Valve」，用于对 Spider 的请求做一些处理。

　　首先识别 Spider 请求，对于 Spider 请求，使其使用相同的 SessionId继续后面的请求流程，从而避免创建大量的 Session 数据。

　　这里需要注意，即使Spider显式的传了一个 sessionId过来，也会弃用，而是根据client Ip 来进行判断，即对于 相同的 Spider 只提供一个Session。

　　我们来看代码：

　　// If the incoming request has a valid session ID, no action is required if (request.getSession(false) == null) {      // Is this a crawler - check the UA headers     EnumerationuaHeaders = request.getHeaders("user-agent");     String uaHeader = null;     if (uaHeaders.hasMoreElements()) {         uaHeader = uaHeaders.nextElement();     }      // If more than one UA header - assume not a bot     if (uaHeader != null && !uaHeaders.hasMoreElements()) {         if (uaPattern.matcher(uaHeader).matches()) {             isBot = true;             if (log.isDebugEnabled()) {                 log.debug(request.hashCode() +                         ": Bot found. UserAgent=" + uaHeader);             }         }     }      // If this is a bot, is the session ID known?     if (isBot) {         clientIp = request.getRemoteAddr();         sessionId = clientIpSessionId.get(clientIp);         if (sessionId != null) {             request.setRequestedSessionId(sessionId); // 重用session         }     } }  getNext().invoke(request, response);  if (isBot) {     if (sessionId == null) {         // Has bot just created a session, if so make a note of it         HttpSession s = request.getSession(false);         if (s != null) {             clientIpSessionId.put(clientIp, s.getId()); //针对Spider生成session             sessionIdClientIp.put(s.getId(), clientIp);             // #valueUnbound() will be called on session expiration             s.setAttribute(this.getClass().getName(), this);             s.setMaxInactiveInterval(sessionInactiveInterval);              if (log.isDebugEnabled()) {                 log.debug(request.hashCode() +                         ": New bot session. SessionID=" + s.getId());             }         }     } else {         if (log.isDebugEnabled()) {             log.debug(request.hashCode() +                     ": Bot session accessed. SessionID=" + sessionId);         }     } }

　　判断Spider 是通过正则

　　private String crawlerUserAgents =     ".*[bB]ot.*|.*Yahoo! Slurp.*|.*Feedfetcher-Google.*"; // 初始化Valve的时候进行compile uaPattern = Pattern.compile(crawlerUserAgents);

　　这样当 Spider 到达的时候就能通过 User-agent识别出来并进行特别处理从而减小受其影响。

　　这个 Valve的名字是：「CrawlerSessionManagerValve」，好名字一眼就能看出来作用。

　　其他还有问题么?我们看看，通过ClientIp来判断进行Session共用。

　　近 Tomcat 做了个bug fix，原因是这种通过ClientIp的判断方式，当 Valve 配置在Engine下层，给多个Host 共用时，只能有一个Host生效。 fix之后，对于请求除ClientIp外，还有Host和 Context的限制，这些元素共同组成了 client标识，就能更大程度上共用Session。

　　修改内容如下：

　　总结下， 该Valve 通过标识识别出 Spider 请求后，给其分配一个固定的Session，从而避免大量的Session创建导致我资源占用。

　　默认该Valve未开启，需要在 server.xml中 增加配置开启。另外我们看上面提供的 正则 pattern，和taobao 的robots.txt对比下，你会出现并没有包含的这些搜索引擎的处理，这个时候怎么办呢?

　　在配置的时候传一下进来就OK啦，这是个public 的属性

　　public void setCrawlerUserAgents(String crawlerUserAgents) {     this.crawlerUserAgents = crawlerUserAgents;     if (crawlerUserAgents == null || crawlerUserAgents.length() == 0) {         uaPattern = null;     } else {         uaPattern = Pattern.compile(crawlerUserAgents);     } }