服务器反爬虫攻略：Apache/Nginx/PHP禁止某些User Agent抓取网站

咱们都知道网络上的爬虫很是多，有对网站收录有益的，好比百度蜘蛛（Baiduspider），也有不但不遵照robots 规则对服务器形成压力，还不能为网站带来流量的无用爬虫，好比宜搜蜘蛛（YisouSpider）（最新补充：宜搜蜘蛛已被UC神马搜索收购！因此本文已去掉宜搜蜘蛛的禁封！ ==> 相关文章 )。最近张戈发现nginx日志中出现了好多宜搜等垃圾的抓取记录，因而整理收集了网络上各类禁止垃圾蜘蛛爬站的方法，在给本身网作设置的同时，也给各位站长提供参考。

1、Apache

①、经过修改.htaccess 文件

修改网站目录下的.htaccess，添加以下代码便可（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、经过修改httpd.conf 配置文件

找到以下相似位置，根据如下代码新增/ 修改，而后重启Apache 便可：

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>

 

2、Nginx 代码

进入到nginx 安装目录下的conf 目录，将以下代码保存为 agent_deny.conf

cd /usr/local/nginx/conf

vim agent_deny.conf

#禁止Scrapy等工具的抓取
if ($http_user_agent ~* (Scrapy|Curl|HttpClient)) {
     return 403;
}
#禁止指定UA及UA爲空的訪問
if ($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;
}

而后，在网站相关配置中的 location / { 以后插入以下代码：

include agent_deny.conf;

如博客的配置：

[marsge@Mars_Server ~]$ cat /usr/local/nginx/conf/zhangge.conf
location / {
        try_files $uri $uri/ /index.php?$args;
        #這個位置新增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，执行以下命令，平滑重启nginx 便可：

/usr/local/nginx/sbin/nginx -s reload

 

 3、PHP 代码

将以下方法放到贴到网站入口文件index.php 中的第一个<?php 以后便可：

//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');
}else{
    foreach($now_ua as $value )
//判断是不是数组中存在的UA
    if(eregi($value,$ua)) {
        header("Content-type: text/html; charset=utf-8");
        die('请勿采集本站！');
    }
}

 

4、测试效果

若是是vps，那很是简单，使用curl -A 模拟抓取便可，好比：

模拟宜搜蜘蛛抓取：

curl -I -A 'YisouSpider' zhang.ge

模拟UA 为空的抓取：

curl -I -A '' zhang.ge

模拟百度蜘蛛的抓取：

curl -I -A 'Baiduspider' zhang.ge

 

三次抓取结果截图以下：

能够看出，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！

补充：次日，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：

所以，对于垃圾蜘蛛的收集，咱们能够经过分析网站的访问日志，找出一些没见过的的蜘蛛（spider）名称，通过查询无误以后，能够将其加入到前文代码的禁止列表当中，起到禁止抓取的做用。

5、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，此蜘蛛能够放开！）
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

原文连接