用nginx屏蔽疯狂爬虫的方法

站点总是莫名的cpu100%，检查发现全是mysql占用，网络流量也不高，这就有必要怀疑爬虫问题。

1. 使用"robots.txt"规范

在网站根目录新建空白文件，命名为"robots.txt"，将下面内容保存即可。

User-agent: Baiduspider
Disallow:
User-agent: YisouSpider
Disallow:
User-agent: 360Spider
Disallow:
User-agent: Sosospider
Disallow:
User-agent: sogou spider
Disallow: 
User-agent: YodaoBot
Disallow: 
User-agent: Googlebot
Disallow: 
User-agent: bingbot
Disallow: 
User-agent: *
Disallow: /

2. nginx

   有些爬虫是不按规则出牌的，我们必须要能自己控制，方法如下：

将下面代码添加到"location / { }" 段里面，比如伪静态规则里面。
Bash

 #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 ($http_user_agent ~ "YandexBot|Bytespider|FeedDemon|Indy Library|Alexa Toolbar|AskTbFXTV|AhrefsBot|CrawlDaddy|CoolpadWebkit|Java|Feedly|UniversalFeedParser|ApacheBench|Microsoft URL Control|Swiftbot|ZmEu|oBot|jaunty|Python-urllib|lightDeckReports Bot|YYSpider|DigExt|HttpClient|MJ12bot|heritrix|Ezooms|^$" ) {
     return 403;
   }
   #禁止非GET|HEAD|POST方式的抓取
    if ($request_method !~ ^(GET|HEAD|POST)$) {
      return 403;
    }

注意： ~ 为模糊匹配 ，~* 为 模糊匹配不区分大小写

测试一下：

  curl -I -A  "Mozilla/5.0Macintosh;IntelMacOSX10_12_0AppleWebKit/537.36KHTML,likeGeckoChrome/60.0.6967.1704Safari/537.36;YandexBot"  http://www.demo.com

返回 403 表示设置成功！