站点总是某个时间段莫名的cpu100%,资源占用也不高,这就有必要怀疑爬虫问题。

1. 使用"robots.txt"规范

在网站根目录新建空白文件,命名为"robots.txt",将下面内容保存即可。

User-agent: Baiduspider
Disallow:
User-agent: YisouSpider
Disallow:
User-agent: 360Spider
Disallow:
User-agent: Sosospider
Disallow:
User-agent: sogou spider
Disallow: 
User-agent: YodaoBot
Disallow: 
User-agent: Googlebot
Disallow: 
User-agent: bingbot
Disallow: 
User-agent: *
Disallow: /

2. 通过nginx

有些爬虫是不按规则出牌的,我们必须要能自己控制,将下面代码添加到"location / { }" 段里面,比如伪静态规则里面即可。

#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 ($http_user_agent ~ "YandexBot|Bytespider|FeedDemon|Indy Library|Alexa Toolbar|AskTbFXTV|AhrefsBot|CrawlDaddy|CoolpadWebkit|Java|Feedly|UniversalFeedParser|ApacheBench|Microsoft URL Control|Swiftbot|ZmEu|oBot|jaunty|Python-urllib|lightDeckReports Bot|YYSpider|DigExt|HttpClient|MJ12bot|heritrix|Ezooms|^$" ) {
     return 403;
   }
   #禁止非GET|HEAD|POST方式的抓取
    if ($request_method !~ ^(GET|HEAD|POST)$) {
      return 403;
    }

注意: ~ 为模糊匹配 ,~* 为 模糊匹配不区分大小写

测试一下:

curl -I -A  "Mozilla/5.0 YandexBot demo"  http://www.demo.com

返回 403 表示设置成功!


丶伊眸冷

静水流深,沧笙踏歌;三生阴晴圆缺,一朝悲欢离合。

发表评论

电子邮件地址不会被公开。 必填项已用*标注

我不是机器人*