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


打赏
版权声明 : 本文未使用任何知识共享协议授权,您可以任何形式自由转载或使用。

评论区

发表评论 / 取消回复

必填

选填

选填

◎欢迎讨论,请在这里发表您的看法及观点。