屏蔽百度蜘蛛爬虫或其他搜索引擎爬虫的四种方法

SEO优化 发布时间:2022/07/27 阅读量:693 来源:优尚设计
某些恶意的搜索引擎爬虫一天内可能会访问网站几千次,会消耗不少服务器资源,其实我们可以通过技术手段来屏蔽它,具体可以通过如下四种方法来处理

robots.txt屏蔽百度或某一爬虫抓取

打开robots.txt,在开头加入如下语句(以百度蜘蛛为例):

User-agent: baiduspider
Disallow: /

代码分析,首先要知道该爬虫的名称,如百度爬虫是Baiduspider,Google爬虫是Googlebot,360搜索爬虫是360Spider,你可以通过各大搜索引擎蜘蛛爬虫UA汇总来获取爬虫的名称,例如,微软必应的蜘蛛UA是:

"Mozilla/5.0 (compatible; bingbot/2.0; +http://www.bing.com/bingbot.htm)"

我们就可以知道它的爬虫名称为bingbot。

robots Meta标签屏蔽百度或某一爬虫抓取

如果是针对某一个页面屏蔽百度蜘蛛或某一爬虫抓取,那么可以通过Meta标签来实现。代码如下:

<head>
<meta name="robots" content="noindex,nofollow" /> 
</head>

这是屏蔽所有蜘蛛爬虫抓取该页面的写法,如果只屏蔽某个爬虫,可以把"robots"改为特定的爬虫名称,爬虫名称可以通过上面方法1中提及的办法获得。例如想只屏蔽微软必应的蜘蛛抓取该页,则可以写成:

<head>
<meta name="bingbot" content="noindex,nofollow" />
</head>

.htaccess屏蔽百度或某一爬虫抓取

一些可恶的爬虫并不遵循robots规则,那么我们还可以通过.htaccess来屏蔽它,代码如下(以百度蜘蛛为例):

RewriteEngine on
RewriteCond %{HTTP_USER_AGENT} ^.*Baiduspider.* [NC]
RewriteRule .* - [F]

如果是Apache服务器,可以修改配置文件 httpd.conf ,这样写( /var/www/html 是根目录):

<Directory "/var/www/html">
SetEnvIfNoCase User-Agent ^.*Baiduspider.* bad_bot
Order Allow,Deny
Allow from all
Deny from env=bad_bot
</Directory>

如果是Nginx服务器,可以修改配置文件( 默认是 nginx.conf ),这样写:

Server{
  location / {
    if ($http_user_agent !~ Baiduspider) {
      return 403;
    }
  }
}

通过IP屏蔽百度或某一爬虫抓取

我们还可以通过分析日志,获得爬虫的IP地址,然后从服务器防火墙屏蔽该IP,不过爬虫通常有很多IP,我们可以屏蔽爬虫的IP段。

您可能感兴趣的内容
微信
网站定制咨询 网站定制咨询