防止网站被爬虫爬取的几种解决办法

　　#! /bin/bash

LOGFILE=/var/log/nginx/access.log

PREFIX=/etc/spiders

#日志中大部分蜘蛛都有spider的关键字，但是百度的不能封，所以过滤掉百度

grep 'spider' $LOGFILE |grep -v 'Baidu' |awk '{print $1}' >$PREFIX/ip1.txt

# 封掉网易的有道

grep 'YoudaoBot' $LOGFILE | awk '{print $1}' >>$PREFIX/ip1.txt

#封掉雅虎

grep 'Yahoo!' $LOGFILE | awk '{print $1}' >>$PREFIX/ip1.txt

# 过滤掉信任IP

sort -n $PREFIX/ip1.txt |uniq |sort |grep -v '192.168.0.' |grep -v '127.0.0.1'>$PREFIX/ip2.txt

# 如果一小时内，发包不超过30个就要解封

/sbin/iptables -nvL |awk '$1 <= 30 {print $8}' >$PREFIX/ip3.txt

for ip in `cat $PREFIX/ip3.txt`; do /sbin/iptables -D INPUT -s $ip -j DROP ; done

/sbin/iptables -Z // 将iptables计数器置为0

for ip in `cat $PREFIX/ip2.txt`; do /sbin/iptables -I INPUT -s $ip -j DROP ; done

3.使用robots.txt文件：例如阻止所有的爬虫爬取，但是这种效果不是很明显。

User-agent: *

Disallow: /

4.使用nginx的自带功能：通过对httpuseragent阻塞来实现，包括GET/POST方式的请求，以nginx为例，具体步骤如下：

编辑nginx.conf

#vim /usr/local/nginx/conf/nginx.conf

拒绝以wget方式的httpuseragent，增加如下内容

## Block http user agent - wget ##

if ($http_user_agent ~* (Wget) ) {

return 403;

}

## Block Software download user agents ##

if ($http_user_agent ~* LWP::Simple|BBBike|wget) {

return 403;

}

平滑启动

# /usr/local/nginx/sbin/nginx -s reload

如何拒绝多种httpuseragent，内容如下：

if ($http_user_agent ~ (agent1|agent2|Foo|Wget|Catall Spider|AcoiRobot) ) {

return 403;

}

大小写敏感匹配

### 大小写敏感http user agent拒绝###

if ($http_user_agent ~ (Catall Spider|AcoiRobot) ) {

return 403;

}

### 大小写不敏感http user agent拒绝###

if ($http_user_agent ~* (foo|bar) ) {

return 403;

}

　　以上是脚本之家(jb51.cc)为你搜集整理的全部代码内容，希望文章能够帮你解决所遇见的程序开发问题。

　　如果认为脚本之家网站内容还不错网页如何防止爬虫，欢迎将脚本之家网站推荐给程序员好友。

　　以上是脚本之家为你搜集整理的避免网站被爬虫爬取的几种解决办法全部内容，希望文章能够帮你解决避免网站被爬虫爬取的几种解决办法所遇见的程序开发问题。

　　如果认为脚本之家网站内容还不错网页如何防止爬虫，欢迎将脚本之家网站推荐给程序员好友。