很多網站都有多語言版本,站長往往希望baidu爬蟲爬中文頁面,而google爬蟲爬英文頁面。於是,如果網站如以nginx做前端的話,站長往往會在nginx.conf中設置http頭的accept-language,讓爬蟲重定向到指定語言頁面進行抓取。但是事與願違,google和baidu爬蟲不設置http頭的accept-language,導致爬蟲抓取的是web.xml指定的默認頁面。這樣,baidu抓取中文頁面,google抓取英文頁面就無法同時達到。
http://www.findmaven.net 是博主的網站,是一個findjar和findmaven的搜索引擎,可以根據class名或者jar名找到包含它的jar和maven gav,以這個網站打比方
博主這樣設置
1)網站的web.xml中默認頁面還是設置爲index_en.jsp英文頁面
2)設置nginx的user_agent
if ($http_user_agent ~* (baidu|360|sogou)){
set $lang "/index_cn.jsp";
}
如果是baidu,360,sogou爬蟲的話,重定向到index_en.jsp抓取中文頁面;如果是google爬蟲,則抓取默認頁面index_en.jsp英文頁面
設置後結果如下