Nginx访问日志中UserAgent的一些参考建议

前言

网络上存在各种各样的爬虫与蜘蛛，有的是对网站有帮助的，譬如说：百度(Baiduspider)、谷歌(Googlebot)、Bing(bingbot)等等，但是也有一些纯粹是垃圾爬虫，不但本身对网站毫无帮助，还大幅损耗服务器资源，如：BLEXBot、AhrefsBot、MJ12bot、hubspot、opensiteexplorer、leiki、webmeup 等，所以我们可以通过UserAgent信息来屏蔽垃圾爬虫

nginx配置

将指定的userAgent返回403

if ($http_user_agent ~* 'curl|python-requests|urllib|Baiduspider|YisouSpider|Google|Sogou|bingbot|python|AndroidDownloadManager|ZoominfoBot|SemrushBot|AhrefsBot|Java|Jullo|UniversalFeedParser|Swiftbot|Microsoft|oBot|FlightDeckReports|Linguee|DotBot|Indy|jaunty|HttpClient|WinHttp|ZmEu|ApacheBench|CrawlDaddy|BOT for JCE')
{
    return 403;
}

推荐允许-搜索引擎类

常见的搜索引擎的可以推荐，利于收录，一般都遵循robots.txt协议

百度：BaiduSpider,
Google：Googlebot,
360：360Spider,
Bing：bingbot,
搜搜：Sosospider,
等

订阅类

RSS订阅采集：FeedDemon,Feedly

禁止类-数据采集

该分类下的爬虫对网站帮助不大，可能会暴力爬取页面，流氓的有的还不遵循robots.txt协议

ZoominfoBot 是一个北美为主的数据网站，用来搜寻北美公司曾经出现在网页上的邮箱
MJ12bot 暴力蜘蛛
SemrushBot 提供SEO数据的平台，包括关键字研究和反向链接。
AhrefsBot 国外营销爬虫，无用爬虫。
Java 内容采集
Jullo 内容采集
UniversalFeedParser 内容采集
Swiftbot 无用爬虫
Microsoft URL Control 扫描
oBot 无用爬虫
Python-urllib 内容采集
FlightDeckReports Bot 无用爬虫
Linguee Bot 无用爬虫
DotBot 无用爬虫
BLEXBot 美国查反链的工具网站
opensiteexplorer 国外seo工具网站
hubspot国外企业营销
MJ12bot英国搜索引擎
yandex俄罗斯搜索引擎
zmeu漏洞扫描软件
polaris botnet僵尸网络
NetcraftSurvey垃圾

rebots.txt配置

User-agent: Baiduspider
Allow: /
User-agent: Baiduspider-image
Allow: /
User-agent: Baiduspider-video
Allow: /
User-agent: Baiduspider-news
Allow: /
User-agent: Googlebot
Allow: /
User-agent: MSNBot
Allow: /
User-agent: MJ12bot
Disallow: /