屏蔽疯狂蜘蛛，防止cpu占用100%

类别：Web Server / 日期：2020-11-09 / 浏览：668 / 评论：0

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

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