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。
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: /
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
测试一下:
curl -I -A "Mozilla/5.0 YandexBot demo" http://你的域名
返回403表示设置成功!
我直接nginx屏蔽