Apache/Nginx/PHP反网络爬虫攻略

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，比如一些恶意爬取网站漏洞的爬虫。最近发现 nginx 日志中出现了好多宜搜等垃圾的抓取记录，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：

Shell

1 2 3 4 5 6 7

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

1 2 3 4 5 6 7 8 9 10 11 12

#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：

Shell

1	include agent_deny .conf ;

如张戈博客的配置：

Shell

1 2 3 4 5 6 7 8

[ 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：

Shell

1	/ 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：

PHP

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

//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：

Shell

1	curl - I - A 'YisouSpider' zhangge .net

模拟 UA 为空的抓取：

Shell

1	curl - I - A '' zhangge .net

模拟百度蜘蛛的抓取：

Shell

1	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！

补充：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。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

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