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;
}

# 如果多个server都设置，建议使用map
# 禁止的user agent
map $http_user_agent $ban_ua {
    default '';
    '~*MJ12bot|curl|NetcraftSurvey|Go-http-client|polaris botnet|python-requests|urllib|Scrapy|Baiduspider|YisouSpider|Google|Sogou|bingbot|python|AndroidDownloadManager|ZoominfoBot|SemrushBot|AhrefsBot|Java|Jullo|UniversalFeedParser|Swiftbot|Microsoft|oBot|FlightDeckReports|Linguee|DotBot|Indy|jaunty|HttpClient|WinHttp|ZmEu|ApacheBench|CrawlDaddy|BOT for JCE'  'error';
}
if ($ban_ua){
    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: /