IIS日志时间设置和网站IIS日志的设置与搜索引擎爬虫痕迹的分析-优快云博客

网站IIS日志的设置与搜索引擎爬虫痕迹的分析

　　一、IIS日志的设置。
　　第一个步骤：打开IIS服务器。选择所要设置的网站属性。弹出如下窗口：

　　选择“启用日志记录”，勾选，选择“W3C扩展日志文件格式”。
　　第二步骤：再次点击这里的“属性”按钮，常规选项里面，选择新日志计划为“每天”，当然也可以选择其他，选择好保存日志文件的目录。

　　很多SEO设置到这里，点击确定之后，发现IIS日志已经开始记录，但是无论如何都找不到搜索引擎爬虫的痕迹，类似于Baiduspider+怎么都看不到，其实，我们还应该做第三个辅助步骤，因为默认的IIS日志是不开启这个功能的。
　　第三个步骤：选择高级选项。勾选底下的用户代理（cs(User-Agent)）等选项，我一般都将最下面的三个选项勾选起来。这样，你才可以看到百度等爬虫的名称。

　　第四个步骤：如果你全部按照上面设置之后，发现你的IIS日志还没开始记录，也就是本次困扰了我非常久的问题，那么最重要的一步就是检查相关的设置是否都完整。有的朋友说IIS日志不记录是因为系统服务WINDOWS time 没启动，或者系统的权限不正确等，比如没让IIS日志保存的那个文件夹有和IIS一样的权限之类，其实没有这么复杂，把下图的“记录访问”选项勾选即可。这样你的IIS日志就开始正常记录了。

　　二、如何分析网站IIS日志中的搜索引擎爬虫轨迹
　　首先，加入你要搜索百度的爬虫，那么就直接在保存记录的文本文档上搜索“Baiduspider”，我们节选以下一行来做详细的分析：
　　2009-04-09 13:02:40 W3SVC321 219.148.111.205 GET /index.html - 80 - 61.135.168.39 Baiduspider+(+http://www.baidu.com/search/spider.htm) 200 0 64- - www.taobaoxs.com　　这段IIS日志代码表示：在2009-04-09 13:02:40这个时间，百度搜索引擎的蜘蛛（ip地址为61.135.168.39，后面的http://www.baidu.com/search/spider.htm是关于Baiduspider+的相关问题）访问了服务器ip为219.148.111.205的网站www.taobaoxs.com，并且抓取了首页/index.html，该日志记录保存在 W3SVC321文件夹。
　　其中，两个地方值得说明：
　　一是代码中的200表示搜索引擎蜘蛛爬行后返回HTTP的状态代码，代表成功爬行并抓取。
　　各个数字代码的具体意思参见如下：
　　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。
　　302 已找到 — 请求的数据临时具有不同 URI。
　　303 请参阅其它 — 可在另一 URI 下找到对请求的响应，且应使用 GET 方法检索此响应。
　　304 未修改 — 未按预期修改文档。
　　305 使用代理 — 必须通过位置字段中提供的代理来访问请求的资源。
　　306 未使用 — 不再使用;保留此代码以便将来使用。
　　4xx 客户机中出现的错误
　　400 错误请求 — 请求中有语法问题，或不能满足请求。
　　401 未授权 — 未授权客户机访问数据。
　　402 需要付款 — 表示计费系统已有效。
　　403 禁止 — 即使有授权也不需要访问。
　　404 找不到 — 服务器找不到给定的资源;文档不存在。
　　407 代理认证请求 — 客户机首先必须使用代理认证自身。
　　410 请求的网页不存在(永久);
　　415 介质类型不受支持 — 服务器拒绝服务请求，因为不支持请求实体的格式。
　　5xx 服务器中出现的错误
　　500 内部错误 — 因为意外情况，服务器不能完成请求。
　　501 未执行 — 服务器不支持请求的工具。
　　502 错误网关 — 服务器接收到来自上游服务器的无效响应。
　　503 无法获得服务 — 由于临时过载或维护，服务器无法处理请求。
　　二是各大搜索引擎爬虫（蜘蛛）的名称整理如下，大家可以对号入座：
　　1. Google爬虫名称
　　1） Googlebot：从Google的网站索引和新闻索引中抓取网页
　　2） Googlebot-Mobile针对Google的移动索引抓取网页
　　3） Googlebot-Image：针对Google的图片索引抓取网页
　　4） Mediapartners-Google：抓取网页确定 AdSense 的内容。只有在你的网站上展示 AdSense 广告的情况下，Google才会使用此漫游器来抓取您的网站。
　　5） Adsbot-Google：抓取网页来衡量 AdWords 目标网页的质量。只有在你使用 Google AdWords 为你的网站做广告的情况下，Google才会使用此漫游器。
　　2. 百度（Baidu）爬虫名称：Baiduspider
　　3. 雅虎（Yahoo）爬虫名称：Yahoo Slurp
　　4. 有道（Yodao）蜘蛛名称：YodaoBot
　　5. 搜狗（sogou）蜘蛛名称：sogou spider
　　6. MSN的蜘蛛名称：Msnbot
　　其他的搜索引擎我们使用得很少，就不需要理会了

IIS日志时间问题

IIS默认情况下记录的时间是格林威治时间，也就是与我们使用的北京时间相差8个小时，这样一来看日志就很不方便。

通过一个很小的设置让IIS日志时间使用服务器设置的时区的时间，我们使用的北京时间也就是＋８区，一般来说安装操作系统的时候已经设置过了。下面对IIS进行设置（以Windows2003+IIS6为例）：

打开“Internet 信息服务(IIS)管理器”，点击“Internet信息服务”、“本地计算机”、“网站”，在需要的网站上（如果要设置所有的网站，则直接在“网站”上）右击“属性”，打开网站属性。
在“网站”标签下找到“活动日志格式”，点击其后的“属性”，打开IIS日志属性
在IIS日志属性“常规”标签下，找到“文件命名和创建使用当地时间”，在其前打勾。
点击两次“确定”退出“Internet 信息服务(IIS)管理器”。

此时，IIS日志就已经是使用当地时间了。

--------------------------------

注意根据以下技术分类，对于除 ODBC 日志记录外的所有日志格式，都将记录“所用时间”（毫秒）：当 HTTP.sys（内核模式驱动程序）接收到第一个字节时（甚至在 HTTP.sys 开始分析请求之前），将初始化客户端请求的时间戳。当在 IIS 中完成发送（最后一次发送）时，客户端请求时间戳将停止。“所用时间”不反映通过网络的时间。还要注意，对站点的第一次请求需要的时间会比其他类似/相同的请求稍长一点，因为第一次请求时 HTTP.sys 要打开日志文件。

W3C 扩展日志记录定义

前缀	含义
s-	服务器操作。
c-	客户端操作。
cs-	客户端到服务器的操作。
sc-	服务器到客户端的操作。

字段	格式	描述
日期	`date`	活动发生的日期。
时间	`time`	活动发生的时间。
客户端 IP 地址	`c-ip`	访问服务器的客户端 IP 地址。
用户名	`cs-username`	访问服务器的已验证用户的名称。这不包括用连字符 (-) 表示的匿名用户。
服务名	`s-sitename`	客户端所访问的该站点的 Internet 服务和实例的号码。
服务器名	`s-computername`	生成日志项的服务器名称。
服务器 IP 地址	`s-ip`	生成日志项的服务器的 IP 地址。
服务器端口	`s-port`	客户端连接到的端口号。
方法	`cs-method`	客户端试图执行的操作（例如 GET 方法）。
URI 资源	`cs-uri-stem`	访问的资源；例如 Default.htm。
URI 查询	`cs-uri-query`	客户端正在尝试执行的查询（如果有）。
协议状态	`sc-status`	以 HTTP 或 FTP 术语表示的操作的状态。
Win32® 状态	`sc-win32-status`	用 Windows® 使用的术语表示的操作的状态。
发送的字节数	`sc-bytes`	服务器发送的字节数。
接收的字节数	`cs-bytes`	服务器接收的字节数。
所用时间	`time-taken`	操作花费的时间长短（亳秒）。
协议版本	`cs-version`	客户端使用的协议（HTTP，FTP）版本。对于 HTTP，这将是 HTTP 1.0 或 HTTP 1.1。
主机	`cs-host`	显示主机头的内容。
用户代理	`cs(User-Agent)`	在客户端使用的浏览器。
Cookie	`cs(Cookie)`	发送或接收的 Cookie 的内容（如果有）。
引用站点	`cs(Referer)`	用户访问的前一个站点。此站点提供到当前站点的链接。

IIS 日志定义

字段	描述
客户端 IP 地址	提出请求的客户机的 IP 地址。
用户名	访问服务器的已验证用户的名称。这不包括用连字符 (-) 表示的匿名用户。
日期	活动发生的日期。
时间	活动发生的时间。
服务和实例	网站实例显示为 W3SVC#；FTP 站点实例显示为 MSFTPSVC#，其中 # 是站点的实例。
计算机名	服务器的网络基本输入/输出系统 (NetBIOS) 名称。
服务器的 IP 地址	为请求提供服务的服务器的 IP 地址。
所用时间	操作花费的时间长短（亳秒）。
发送字节数	从客户端向服务器发送的字节数。
接收字节	客户端从服务器接收到的字节数。
服务状态码	HTTP 或 FTP 状态码。
Windows 状态码	用 Windows 使用的术语表示的操作的状态。
请求类型	服务器收到的请求类型（例如 GET 和 PASS）。
操作目标	操作目标 URL。
参数	传递给脚本的参数。

NCSA 公用日志文件格式

字段	描述
远程主机地址	提出请求的客户机的 IP 地址。
远程登录名称	该值始终是连字符 (-)。
用户名	对于通过身份验证的用户，格式是“域\用户名”；对于匿名用户，是一个连字符 (-)。
日期	活动发生的日期。
时间和 GMT 时差	发生活动的时间，后面跟的是格林威治标准时间时差。
请求和版本	使用的请求类型、目标 URL、传递给脚本的参数（如果有的话）以及客户端使用的 HTTP 版本。
服务器状态码	HTTP 状态码。
发送字节数	从服务器向客户端发送的字节数。