今天看到群里有人说被一俄罗斯爬虫一天内访问网站几千次,想屏蔽它,其实,类似这样的问题解决方案网上有不少文章,屏蔽俄罗斯爬虫跟屏蔽百度蜘蛛的原理是一样的,可以通过如下四种方法来处理。 1、robots.txt屏蔽百度或某一爬虫抓取打开robots.txt,在开头加入如下语句(以百度蜘蛛为例): User-agent: baiduspider 代码分析,首先要知道该爬虫的名称,如百度爬虫是Baiduspider,Google爬虫是Googlebot,360搜索爬虫是360Spider,你可以通过各大搜索引擎蜘蛛爬虫UA汇总来获取爬虫的名称,例如,微软必应的蜘蛛UA是: "Mozilla/5.0 (compatible; bingbot/2.0; +http://www.bing.com/bingbot.htm)" 我们就可以知道它的爬虫名称为bingbot。 2、robots Meta标签屏蔽百度或某一爬虫抓取如果是针对某一个页面屏蔽百度蜘蛛或某一爬虫抓取,那么可以通过Meta标签来实现。代码如下: <head> … 这是屏蔽所有蜘蛛爬虫抓取该页面的写法,如果只屏蔽某个爬虫,可以把"robots"改为特定的爬虫名称,爬虫名称可以通过上面方法1中提及的办法获得。例如想只屏蔽微软必应的蜘蛛抓取该页,则可以写成: <head> … 3、.htaccess屏蔽百度或某一爬虫抓取一些可恶的爬虫并不遵循robots规则,那么我们还可以通过.htaccess来屏蔽它,代码如下(以百度蜘蛛为例): RewriteEngine on 如果是Apache服务器,可以修改配置文件 httpd.conf ,这样写( /var/www/html 是根目录): <Directory "/var/www/html"> 如果是Nginx服务器,可以修改配置文件( 默认是 nginx.conf ),这样写: Server{ 4、通过IP屏蔽百度或某一爬虫抓取我们还可以通过分析日志,获得爬虫的IP地址,然后从服务器防火墙屏蔽该IP,不过爬虫通常有很多IP,我们可以屏蔽爬虫的IP段。 不过此方法没有前面几个方法实用,较少人这样操作。
|