问题
如何设置禁止某些爬虫/蜘蛛抓取网站的相关内容？
Apache/Nginx/PHP 怎么禁止某些 User Agent 抓取网站？
前言
[ 爬虫 = 蜘蛛 ] 我们都知道网络上的爬虫非常多的，对网站来说分有益爬虫和无益爬虫
能给我们网站带来收录与流量的爬虫就是有益的（比如百度爬虫 Baiduspider）
不遵守 robots 规则，对服务器造成压力，不能为网站带来流量的爬虫均为无益爬虫
最近村长发现 nginx 日志中出现了好多垃圾爬虫的抓取记录，于是整理收集了网络上各种禁止垃圾爬虫爬站的方法，在给自己网做设置的同时，也给各位站长提供参考
方案
一、Apache
① 通过修改 .Htaccess 文件
修改网站目录下的 .htaccess，添加代码即可（如下两种代码 2 选 1 就行）：
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]
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 <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>
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;
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
① PHP 通用版
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：
/**
* 禁止某些爬虫/蜘蛛抓取网站的相关内容
*/
//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！');
}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！');
}
}
② WordPress 适用版
将下面的代码贴到 functions.php 中的最后一个 ?> 之前即可：
/**
* 禁止某些爬虫/蜘蛛抓取网站的相关内容
*/
add_action('wp_head', 'deny_mirrored_request', 0);
function deny_mirrored_request()
{
$ua = $_SERVER['HTTP_USER_AGENT'];
$now_ua = array('FeedDemon ','BOT/0.1 (BOT for JCE)','CrawlDaddy ','Java','Feedly','UniversalFeedParser','ApacheBench','Swiftbot','ZmEu','Indy Library','oBot','jaunty','YandexBot','AhrefsBot','MJ12bot','WinHttp','EasouSpider','HttpClient','Microsoft URL Control','YYSpider','jaunty','Python-urllib','lightDeckReports Bot');
if(!$ua) {
header("Content-type: text/html; charset=utf-8");
wp_die('请勿采集本站！');
}else{
foreach($now_ua as $value )
if(eregi($value,$ua)) {
header("Content-type: text/html; charset=utf-8");
wp_die('请勿采集本站！');
}
}
}
四、测试效果
如果是服务器的话，就很简单，直接通过 curl 命令来检测；当然，如果是虚拟主机的话，也可以通过百度站长平台里的“抓取诊断”来测试~ 下面以服务器为例：
模拟 YY 蜘蛛抓取：
curl -I -A 'YYSpider' https://www.ilxtx.com
模拟 UA 为空的抓取：
curl -I -A '' https://www.ilxtx.com
模拟百度蜘蛛的抓取：
curl -I -A 'Baiduspider' https://www.ilxtx.com
三次抓取结果显示，YY 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！
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
说明
请根据自己实际情况来使用
