我们都知道网络上的爬虫非常多，有对网站收录有益的，比如百度蜘蛛（Baiduspider），也有不但不遵守robots规则对服务器造成压力，还不能为网站带来流量的无用爬虫，最近发现nginx日志中出现了好多垃圾爬虫的抓取记录，于是整理收集了网络上各种禁止垃圾蜘蛛爬站的方法，在给自己网做设置的同时，也给各位站长提供参考。
一、Apache
①、通过修改 .htaccess文件
修改网站目录下的.htaccess，添加如下代码即可（2种代码任选）：
可用代码 (1)：
- RewriteEngine?On
- RewriteCond?%{HTTP_USER_AGENT}?(^$|FeedDemon|Indy?Library|Alexa?Toolbar|AskTbFXTV|AhrefsBot|CrawlDaddy|CoolpadWebkit|Java|Feedly|UniversalFeedParser|ApacheBench|Microsoft?URL?Control|Swiftbot|ZmEu|oBot|jaunty|Python-urllib|lightDeckReports?Bot|YYSpider|DigExt|HttpClient|MJ12bot|heritrix|EasouSpider|Ezooms)?[NC]
- RewriteRule?^(.*)$?-?[F]
可用代码（2）：
- SetEnvIfNoCase?^User-Agent$?.*(FeedDemon|Indy?Library|Alexa?Toolbar|AskTbFXTV|AhrefsBot|CrawlDaddy|CoolpadWebkit|Java|Feedly|UniversalFeedParser|ApacheBench|Microsoft?URL?Control|Swiftbot|ZmEu|oBot|jaunty|Python-urllib|lightDeckReports?Bot|YYSpider|DigExt|HttpClient|MJ12bot|heritrix|EasouSpider|Ezooms)?BADBOT
- Order?Allow,Deny
- Allow?from?all
- Deny?from?env=BADBOT
②、通过修改httpd.conf配置文件
找到如下类似位置，根据以下代码 新增 / 修改，然后重启Apache即可：
- DocumentRoot?/home/wwwroot/xxx
- <Directory?"/home/wwwroot/xxx">
- SetEnvIfNoCase?User-Agent?".*(FeedDemon|Indy?Library|Alexa?Toolbar|AskTbFXTV|AhrefsBot|CrawlDaddy|CoolpadWebkit|Java|Feedly|UniversalFeedParser|ApacheBench|Microsoft?URL?Control|Swiftbot|ZmEu|oBot|jaunty|Python-urllib|lightDeckReports?Bot|YYSpider|DigExt|HttpClient|MJ12bot|heritrix|EasouSpider|Ezooms)"?BADBOT
- ????????Order?allow,deny
- ????????Allow?from?all
- ???????deny?from?env=BADBOT
- </Directory>
二、Nginx代码
进入到nginx安装目录下的conf目录，将如下代码保存为 agent_deny.conf
cd /usr/local/nginx/conf
vim agent_deny.conf
- #禁止Scrapy等工具的抓取
- if?($http_user_agent?~*?(Scrapy|Curl|HttpClient))?{
- ?????return?403;
- }
- #禁止指定UA及UA为空的访问
- if?($http_user_agent?~?"FeedDemon|Indy?Library|Alexa?Toolbar|AskTbFXTV|AhrefsBot|CrawlDaddy|CoolpadWebkit|Java|Feedly|UniversalFeedParser|ApacheBench|Microsoft?URL?Control|Swiftbot|ZmEu|oBot|jaunty|Python-urllib|lightDeckReports?Bot|YYSpider|DigExt|HttpClient|MJ12bot|heritrix|EasouSpider|Ezooms|^$"?)?{
- ?????return?403;
- }
- #禁止非GET|HEAD|POST方式的抓取
- if?($request_method?!~?^(GET|HEAD|POST)$)?{
- ????return?403;
- }
然后，在网站相关配置中的 location / { 之后插入如下代码：
- include?agent_deny.conf;
如张戈博客的配置：
- [marsge@Mars_Server?~]$?cat?/usr/local/nginx/conf/zhangge.conf
- location?/?{
- ????????try_files?$uri?$uri/?/index.php?$args;
- ????????#这个位置新增1行：
- ????????include?agent_deny.conf;
- ????????rewrite?^/sitemap_360_sp.txt$?/sitemap_360_sp.php?last;
- ????????rewrite?^/sitemap_baidu_sp.xml$?/sitemap_baidu_sp.php?last;
- ????????rewrite?^/sitemap_m.xml$?/sitemap_m.php?last;
保存后，执行如下命令，平滑重启nginx即可：
- /usr/local/nginx/sbin/nginx?-s?reload
三、PHP代码
将如下方法放到贴到网站入口文件index.php中的第一个<?php 之后即可：
- //获取UA信息
- $ua?=?$_SERVER['HTTP_USER_AGENT'];
- //将恶意USER_AGENT存入数组
- $now_ua?=?array('FeedDemon?','BOT/0.1?(BOT?for?JCE)','CrawlDaddy?','Java','Feedly','UniversalFeedParser','ApacheBench','Swiftbot','ZmEu','Indy?Library','oBot','jaunty','YandexBot','AhrefsBot','MJ12bot','WinHttp','EasouSpider','HttpClient','Microsoft?URL?Control','YYSpider','jaunty','Python-urllib','lightDeckReports?Bot');
- //禁止空USER_AGENT，dedecms等主流采集程序都是空USER_AGENT，部分sql注入工具也是空USER_AGENT
- if(!$ua)?{
- ????header("Content-type:?text/html;?charset=utf-8");
- ????die('请勿采集本站，因为采集的站长木有小JJ！');
- }else{
- ????foreach($now_ua?as?$value?)
- //判断是否是数组中存在的UA
- ????if(eregi($value,$ua))?{
- ????????header("Content-type:?text/html;?charset=utf-8");
- ????????die('请勿采集本站，因为采集的站长木有小JJ！');
- ????}
- }
四、测试效果
如果是vps，那非常简单，使用curl -A 模拟抓取即可，比如：
模拟宜搜蜘蛛抓取：
curl -I -A 'YisouSpider' zhangge.net
模拟UA为空的抓取：
curl -I -A '' zhangge.net
模拟百度蜘蛛的抓取：
curl -I -A 'Baiduspider' zhangge.net
三次抓取结果截图如下：
可以看出，宜搜蜘蛛和UA为空的返回是403禁止访问标识，而百度蜘蛛则成功返回200，说明生效！
第二天查看nginx日志的效果截图：
①、UA信息为空的垃圾采集被拦截：
②、被禁止的UA被拦截：
因此，对于垃圾蜘蛛的收集，我们可以通过分析网站的访问日志，找出一些没见过的的蜘蛛（spider）名称，经过查询无误之后，可以将其加入到前文代码的禁止列表当中，起到禁止抓取的作用。
五、附录：UA收集
下面是网络上常见的垃圾UA列表，仅供参考，同时也欢迎你来补充。
FeedDemon 内容采集 BOT/0.1 (BOT for JCE) sql注入 CrawlDaddy sql注入 Java 内容采集 Jullo 内容采集 Feedly 内容采集 UniversalFeedParser 内容采集 ApacheBench cc攻击器 Swiftbot 无用爬虫 YandexBot 无用爬虫 AhrefsBot 无用爬虫 YisouSpider 无用爬虫（已被UC神马搜索收购，此蜘蛛可以放开！） MJ12bot 无用爬虫 ZmEu phpmyadmin 漏洞扫描 WinHttp 采集cc攻击 EasouSpider 无用爬虫 HttpClient tcp攻击 Microsoft URL Control 扫描 YYSpider 无用爬虫 jaunty wordpress爆破扫描器 oBot 无用爬虫 Python-urllib 内容采集 Indy Library 扫描 FlightDeckReports Bot 无用爬虫 Linguee Bot 无用爬虫
六、参考资料
问说：http://www.uedsc.com/acquisition.html
浩海：http://www.it300.com/article-15358.html
夜空：http://blog.slogra.com/post-135.html
PS:转自张戈博客。查看原文链接：https://zhangge.net/4458.html
评论