屏蔽搜索引擎的 robots(nginx)

有些时候我们建立的网站并不希望被搜索引擎索引,然而搜素引擎还会自动的索引网站,即使设置了账号登陆等访问权限。
本文从 robots.txt 文件和 nginx 配置文件入手,彻底屏蔽了常见的搜索引擎。

  1. robot.txt 屏蔽
User-agent: * 
Disallow: /

另存为 robot.txt 放在网站根目录。

  1. nginx 屏蔽
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|JikeSpider|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|^$" ) {
     return 403;             
}
#禁止正规搜索引擎的访问
if ($http_user_agent ~ "compatible|Baiduspider|Google|Googlebot|Googlebot-Image|Yahoo!|YahooSeeker|Bingbot|soso|sogou|yahoo|sohu-search|yodao|YoudaoBot|robozilla|msnbot|MJ12bot|NHN|Twiceler|Twitterbot|^$" ) {
     return 403;             
}
#禁止feed抓取网站的访问
if ($http_user_agent ~ "Feedly|FeedBurner|xFruits|Feedsky crawler|YoudaoFeedFetcher|Xianguo\.com|SimplePie|^$" ) {
     return 403;             
}
#禁止非GET|HEAD|POST方式的抓取
if ($request_method !~ ^(GET|HEAD|POST)$) {
    return 403;
}

然后,在网站相关配置中的 location / { 之后 } 之前插入如下代码:

include agent_deny.conf;

保存后,执行命令平滑重启nginx即可:

/usr/local/nginx/sbin/nginx -s reload
  1. 测试效果
    使用curl -A 模拟抓取即可,比如:
# 模拟UA为空的抓取
curl -I -A '' blog.antior.cn
# 模拟百度蜘蛛抓取
curl -I -A 'Baiduspider' blog.antior.cn
# 模拟Feedly抓取
curl -I -A 'Feedly' blog.antior.cn
  1. UA 收集
    下面是网络上常见的垃圾 UA 列表
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!)
jikeSpider            无用爬虫
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

搜素引擎 UA 可以访问 github 项目获取:https://github.com/andyhu/search-engine-bot-list

参考资料:

  1. https://zhangge.net/4458.html
  2. https://github.com/andyhu/search-engine-bot-list
  3. http://soledede.iteye.com/blog/1935400
  4. http://blog.chacuo.net/147.html