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

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，比如宜搜蜘蛛（YisouSpider）（最新补充：宜搜蜘蛛已被 UC 神马搜索收购！所以本文已去掉宜搜蜘蛛的禁封！==>相关文章)。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)：

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：

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

然后，在网站相关配置中的 ?location / { ?之后插入如下代码：

如下的配置：

[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：

模拟 UA 为空的抓取：

模拟百度蜘蛛的抓取：

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。

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