服务器反爬虫攻略：Apache/Nginx/PHP禁止某些User Agent抓取网站

 以下是服务器反爬虫攻略：Apache/Nginx/PHP禁止某些User Agent抓取网站，希望对大家有所帮助。

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)：

1. RewriteEngine On 
2. RewriteCond %{HTTP_USER_AGENT} (^$|FeedDemon|Indy Library|Alexa Toolbar|AskTbFXTV|AhrefsBot|CrawlDaddy|CoolpadWebkit|Java|Feedly|UniversalFeedParser|ApacheBench|Microsoft URL Control|Swiftbot|ZmEu|oBot|jaunty|Python–urllib|lightDeckReports Bot|YYSpider|DigExt|HttpClient|MJ12bot|heritrix|EasouSpider|Ezooms) [NC] 
3. RewriteRule ^(.*)$ – [F] 

可用代码 (2)：

1. 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 
2. Order Allow,Deny 
3. Allow from all 
4. 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：

Shell

1. DocumentRoot /home/wwwroot/xxx 
2. <Directory “/home/wwwroot/xxx”> 
3. 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 
4.         Order allow,deny 
5.         Allow from all 
6.        deny from env=BADBOT 
7. </Directory> 

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

1. cd /usr/local/nginx/conf 
2. vim agent_deny.conf 

1. #禁止Scrapy等工具的抓取 
2. if ($http_user_agent ~* (Scrapy|Curl|HttpClient)) { 
3.      return 403; 
4. } 
5. #禁止指定UA及UA为空的访问 
6. if ($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|^$” ) { 
7.      return 403;             
8. } 
9. #禁止非GET|HEAD|POST方式的抓取 
10. if ($request_method !~ ^(GET|HEAD|POST)$) { 
11.     return 403; 
12. } 

然后，在网站相关配置中的 location / { 之后插入如下代码：

Shell

1. include agent_deny.conf; 

如下的配置：

Shell

1. [marsge@Mars_Server ~]$ cat /usr/local/nginx/conf/zhangge.conf 
2. location / { 
3.         try_files $uri $uri/ /index.php?$args; 
4.         #这个位置新增1行： 
5.         include agent_deny.conf; 
6.         rewrite ^/sitemap_360_sp.txt$ /sitemap_360_sp.php last; 
7.         rewrite ^/sitemap_baidu_sp.xml$ /sitemap_baidu_sp.php last; 
8.         rewrite ^/sitemap_m.xml$ /sitemap_m.php last; 

保存后，执行如下命令，平滑重启 nginx 即可：

Shell

1. /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

PHP

1. //获取UA信息 
2. $ua = $_SERVER[‘HTTP_USER_AGENT’]; 
3. //将恶意USER_AGENT存入数组 
4. $now_ua = array(‘FeedDemon ‘,‘BOT/0.1 (BOT for JCE)’,‘CrawlDaddy ‘,‘Java’,‘Feedly’,‘UniversalFeedParser’,‘ApacheBench’,‘Swiftbot’,‘ZmEu’,‘Indy Library’,‘oBot’,‘jaunty’,‘YandexBot’,‘AhrefsBot’,‘MJ12bot’,‘WinHttp’,‘EasouSpider’,‘HttpClient’,‘Microsoft URL Control’,‘YYSpider’,‘jaunty’,‘Python-urllib’,‘lightDeckReports Bot’); 
5. //禁止空USER_AGENT，dedecms等主流采集程序都是空USER_AGENT，部分sql注入工具也是空USER_AGENT 
6. if(!$ua) { 
7.     header(“Content-type: text/html; charset=utf-8”); 
8.     die(‘请勿采集本站，因为采集的站长木有小JJ！’); 
9. }else{ 
10.     foreach($now_ua as $value ) 
11. //判断是否是数组中存在的UA 
12.     if(eregi($value,$ua)) { 
13.         header(“Content-type: text/html; charset=utf-8”); 
14.         die(‘请勿采集本站，因为采集的站长木有小JJ！’); 
15.     } 
16. } 

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：

Shell

1. curl –I –A ‘YisouSpider’ bizhi.bcoderss.com 

模拟 UA 为空的抓取：

Shell

1. curl –I –A ” bizhi.bcoderss.com 

模拟百度蜘蛛的抓取：

Shell

1. curl –I –A ‘Baiduspider’ bizhi.bcoderss.com