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

服务器
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):

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] 
  • 1.
  • 2.
  • 3.

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 
  • 1.
  • 2.
  • 3.
  • 4.

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

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|Ezooms)” BADBOT 
        Order allow,deny 
        Allow from all 
       deny from env=BADBOT 
</Directory> 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.

[[256962]]

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 
  • 1.
  • 2.
#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; 

  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.

然后,在网站相关配置中的 location / { 之后插入如下代码:

Shell

include agent_deny.conf; 
  • 1.

如下的配置:

Shell

[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
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.

保存后,执行如下命令,平滑重启 nginx 即可:

Shell

/usr/local/nginx/sbin/nginx –s reload 
  • 1.

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

//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!’); 
    } 

  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 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

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

模拟 UA 为空的抓取:

Shell

curl –I –A ” bizhi.bcoderss.com 
  • 1.

模拟百度蜘蛛的抓取:

Shell

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

 

责任编辑:武晓燕 来源: bcoder
相关推荐

2014-09-22 09:52:06

2017-12-27 10:18:09

ApacheNginx服务器

2014-06-04 09:46:16

NginxApacheWeb服务器

2016-09-22 12:25:42

2017-11-17 10:46:13

NginxApache服务器

2011-11-28 21:56:41

2010-05-27 16:41:38

MySQL服务器

2018-10-23 09:58:23

ApacheNGINXWeb

2014-07-15 09:44:07

Linux Web服务Nginx

2010-03-24 11:21:11

2014-02-11 10:43:39

PageSpeedNginx

2010-05-21 11:50:54

IIS服务器

2010-05-17 16:50:38

IIS服务器

2013-02-18 10:12:58

Apache服务器访问动态网站

2020-10-22 08:00:24

ApacheWeb服务器

2019-01-30 14:42:00

Apache服务器web服务器

2016-10-13 15:57:28

nginxphpwindows

2018-01-30 10:49:49

Nginx服务器PHP

2018-05-04 12:22:47

2018-05-18 09:43:37

服务器架构大型网站
点赞
收藏

51CTO技术栈公众号