Apache/Nginx/PHP屏蔽垃圾UA爬虫的方法

最近发现手上有个站点访问速度非常慢，看了nginx日志发现有好多垃圾蜘蛛的抓取记录，这些垃圾蜘蛛既不遵守robots规则对服务器造成压力，还不能为网站带来流量的无用蜘蛛，于是从网络上整理收集了各种禁止垃圾蜘蛛爬站的方法，留做记录，以备不时之需。

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} (^$|FeedDemon|Indy Library|Alexa Toolbar|AskTbFXTV|AhrefsBot|CrawlDaddy|CoolpadWebkit|Java|Feedly|UniversalFeedParser|ApacheBench|Microsoft URL Control|Swiftbot|ZmEu|oBot|jaunty|Python-urllib|lightDeckReports Bot|YYSpider|DigExt|HttpClient|MJ12bot|heritrix|EasouSpider|DotBot|Ezooms) [NC]
RewriteRule ^(.*)$ - [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|DotBot|Ezooms) BADBOT
Order Allow,Deny
Allow from all
Deny from env=BADBOT

可用代码(3)

如果以上两种方式会导致500错误，可以使用下面的代码。

setEnvIfNoCase User-Agent "^$" bad_bot
setEnvIfNoCase User-Agent "^FeedDemon" bad_bot
setEnvIfNoCase User-Agent "^Indy Library" bad_bot
setEnvIfNoCase User-Agent "^Alex Toolbar" bad_bot
setEnvIfNoCase User-Agent "^AskTbFXTV" bad_bot
setEnvIfNoCase User-Agent "^AhrefsBot" bad_bot
setEnvIfNoCase User-Agent "^CrawlDaddy" bad_bot
setEnvIfNoCase User-Agent "^CoolpadWebkit" bad_bot
setEnvIfNoCase User-Agent "^Java" bad_bot
setEnvIfNoCase User-Agent "^Feedly" bad_bot
setEnvIfNoCase User-Agent "^UniversalFeedParser" bad_bot
setEnvIfNoCase User-Agent "^ApacheBench" bad_bot
setEnvIfNoCase User-Agent "^Microsoft URL Control" bad_bot
setEnvIfNoCase User-Agent "^Swiftbot" bad_bot
setEnvIfNoCase User-Agent "^ZmEu" bad_bot
setEnvIfNoCase User-Agent "^oBot" bad_bot
setEnvIfNoCase User-Agent "^jaunty" bad_bot
setEnvIfNoCase User-Agent "^Python-urllib" bad_bot
setEnvIfNoCase User-Agent "^lightDeckReports Bot" bad_bot
setEnvIfNoCase User-Agent "^YYSpider" bad_bot
setEnvIfNoCase User-Agent "^DigExt" bad_bot
setEnvIfNoCase User-Agent "^HttpClient" bad_bot
setEnvIfNoCase User-Agent "^MJ12bot" bad_bot
setEnvIfNoCase User-Agent "^heritrix" bad_bot
setEnvIfNoCase User-Agent "^EasouSpider" bad_bot
setEnvIfNoCase User-Agent "^DotBot" bad_bot
setEnvIfNoCase User-Agent "^Ezooms" bad_bot
Deny from env=bad_bot

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：

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|DotBot|Ezooms)" BADBOT
        Order allow,deny
        Allow from all
       deny from env=BADBOT
</Directory>

Nginx

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

复制下面的代码并保存

#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|DotBot|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：

[marsge@Mars_Server ~]$ cat /usr/local/nginx/conf/gowah.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;

使用:wq保存后，执行如下命令，平滑重启nginx即可：

/usr/local/nginx/sbin/nginx -s reload

PHP

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
$now_ua = array('FeedDemon ','BOT/0.1 (BOT for JCE)','CrawlDaddy ','Java','Feedly','UniversalFeedParser','ApacheBench','Swiftbot','ZmEu','Indy Library','oBot','jaunty','YandexBot','AhrefsBot','MJ12bot','WinHttp','EasouSpider','HttpClient','Microsoft URL Control','YYSpider','jaunty','Python-urllib','DotBot','lightDeckReports Bot');
//禁止空USER_AGENT，dedecms等主流采集程序都是空USER_AGENT，部分sql注入工具也是空USER_AGENT
if(!$ua) {
    header("Content-type: text/html; charset=utf-8");
    die('请勿采集本站');
}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');
    }
}

测试效果

如果是vps，那非常简单，使用curl-A模拟抓取即可，例如模拟Swift­bot蜘蛛抓取：

curl -I -A 'Swiftbot' www.bailuze.com

模拟UA为空的抓取：

curl -I -A '' bailuze.com

模拟百度蜘蛛的抓取：

curl -I -A 'Baiduspider' bailuze.com

如果Swiftbot和UA为空的返回代码为403，而百度蜘蛛成功返回代码200，说明配置成功生效。

垃圾UA收集

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
MJ12bot               无用爬虫
ZmEu phpmyadmin       漏洞抓取
WinHttp               采集cc攻击
EasouSpider           无用爬虫
HttpClient            tcp攻击
Microsoft URL Control 抓取
YYSpider              无用爬虫
jaunty                
oBot                  无用爬虫
Python-urllib         内容采集
Indy Library         
FlightDeckReports Bot 无用爬虫
Linguee Bot           无用爬虫
DotBot                无用爬虫（国外SEO爬虫）