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)。最近张戈发现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)：

	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|Ezooms) BADBOT
	Order Allow,Deny
	Allow from all
	Deny from env=BADBOT

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
	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|Ezooms)" BADBOT
	Order allow,deny
	Allow from all
	deny from env=BADBOT

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

	#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|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：

include agent_deny.conf;

如张戈博客的配置：

	[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

	//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：

curl -I -A 'YisouSpider' zhang.ge

模拟UA为空的抓取：

curl -I -A '' zhang.ge

模拟百度蜘蛛的抓取：

curl -I -A 'Baiduspider' zhang.ge

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。

	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（已被UC神马搜索收购，此蜘蛛可以放开！）
	MJ12bot 无用爬虫
	ZmEu phpmyadmin 漏洞扫描
	WinHttp 采集cc攻击
	EasouSpider 无用爬虫
	HttpClient tcp攻击
	Microsoft URL Control 扫描
	YYSpider 无用爬虫
	jaunty wordpress爆破扫描器
	oBot 无用爬虫
	Python-urllib 内容采集
	Indy Library 扫描
	FlightDeckReports Bot 无用爬虫
	Linguee Bot 无用爬虫