首页 Web技术

IIS、Nginx、Apache通过user-agent拦截异常蜘蛛爬虫

发布时间:2019年11月08日 评论数：2 阅读数：7286

有一些爬虫非常占用服务器资源，例如网上吐槽最多的Bytespider，成天没日没夜的爬，一天几万甚至几十万，对于一些小网站来说，负担还是很高的，robots禁用规则对他根本不生效，于是只能通过user-agent做了屏蔽，下面整理下iis及nginx及apache环境下如何屏蔽不知名的蜘蛛ua。

注意（请根据自己的情况调整删除或增加ua信息，我提供的规则中包含了非蜘蛛的ua，一些扫描器的头部信息等，几乎用不着，若您的网站比较特殊，需要不同的蜘蛛爬取，建议仔细分析规则，将指定ua删除即可）

1、nginx,下面是屏蔽规则,将规则添加到配置文件的server段里面,当这些蜘蛛来抓取时会返回444；

为什么要返回444呢？ 444是nginx内置的错误代码。对我们来说 return 444 比 return 404还要好。因为 nginx 下即使return 404，也会有返回的header和一个包含错误信息的html body。但是return 444，服务器会立刻关闭连接，就好象服务不存在一样。


if ($http_user_agent ~ "Bytespider|Java|perl|Python|Wget|Xenu|^$" ){return 444;}


2、IIS7/IIS8/IIS10及以上web服务请在网站根目录下创建web.config文件,并写入如下代码即可，如果已有rewrite规则，只需要复制<rule>到</rule>之间的内容

<?xml version="1.0" encoding="UTF-8"?>
<configuration>
<system.webServer>
<rewrite>
<rules>
<rule name="Block spider">
<match url="(^robots.txt$)" ignoreCase="false" negate="true" /><conditions>
<add input="{HTTP_USER_AGENT}" pattern="Bytespider|Java|perl|Python|Wget|Xenu|ZmEu|^$"ignoreCase="true" />
</conditions>
<action type="AbortRequest" />
</rule>
</rules>
</rewrite>
</system.webServer>
</configuration>



3、apache请在.htaccess文件中添加如下规则即可： 



<IfModule mod_rewrite.c>
RewriteEngine On
#Block spider
RewriteCond %{HTTP_USER_AGENT}"Bytespider|Java|perl|Python|Wget|Xenu|ZmEu|^$" [NC]RewriteRule !(^robots.txt$) - [F]</IfModule>

屏蔽验证

查看日志搜索不到任何byte蜘蛛