发一段 Nginx 屏蔽各无效爬虫的配置上来，欢迎大家补充完善。

[nicoljiang]

最近发现大量来自欧美的请求，高峰每秒 58 个请求里，有 52 个都是这些爬虫。

它们爬的速度快，范围广，又不能产出实际效益，完全可以屏蔽掉。

下面是我的配置：

if ($http_user_agent ~* "AhrefsBot|MJ12bot|hubspot|opensiteexplorer|leiki|webmeup") {
        return 403;
}

欢迎大家一起来补充完善：

1. 各爬虫的关键词；
2. 不同 Server 的配置。

30 楼推荐了个好东西： https://github.com/mariusv/nginx-badbot-blocker

[asilin]

return 状态可以改成 444。

[snal123]

楼主你能解释下写的这个有啥用？

[airyland]

为什么不直接改 robots 规则

[CEBBCAT]

楼上+1

[1v9]

@snal123

首先需要这个东西，https://github.com/alibaba/nginx-http-user-agent

然后看谁不爽就把谁放进去，可以返回状态码也可以转向其他的地方。

[SukkaW]

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|EasouSpider|Ezooms

[nicoljiang]

@airyland
@CEBBCAT
1. 不一定所有的都支持
2. 不会立马生效

[nicoljiang]

@SukkaW 赞

[buffge]

既然做爬虫了,还不改 user-agent? 我一般都是用谷歌浏览器 ua.

[nicoljiang]

@buffge 倒是不认为 UA 能解决所有问题，但理论上比 robots.txt 的适用性更广，且更高效直接。这个观点应该没问题。

[nicoljiang]

@asilin 学习了

[xiaoz]

@airyland 万一有些爬虫不遵守 robots.txt 呢

[jiabing520a]

LMAO|Hakai|Gemini|Wappalyzer|masscan|crawler4j|Mappy|Center|eright|aiohttp|MauiBot|Crawler|researchscan|Dispatch|AlphaBot|Census|ips-agent|NetcraftSurveyAgent|ToutiaoSpider|EasyHttp|Iframely|sysscan|fasthttp|muhstik|DeuSu|mstshash|HTTP_Request|ExtLinksBot|package|SafeDNSBot|CPython|SiteExplorer|SSH|python-requests|MegaIndex|BUbiNG|CCBot|NetTrack|Digincore|aiHitBot|SurdotlyBot|null|SemrushBot|Test|Copied|ltx71|Nmap|DotBot|AdsBot|InetURL|Pcore-HTTP|PocketParser|Wotbox|newspaper|DnyzBot|redback|PiplBot|SMTBot|WinHTTP|Auto Spider 1.0|GrabNet|TurnitinBot|Go-Ahead-Got-It|Download Demon|Go!Zilla|GetWeb!|GetRight|libwww-perl|Cliqzbot|MailChimp|SMTBot|Dataprovider|XoviBot|linkdexbot|SeznamBot|Qwantify|spbot|evc-batch|zgrab|Go-http-client|FeedDemon|JikeSpider|Indy Library|Alexa Toolbar|AskTbFXTV|AhrefsBot|CrawlDaddy|CoolpadWebkit|Java|UniversalFeedParser|ApacheBench|Microsoft URL Control|Swiftbot|ZmEu|jaunty|Python-urllib|lightDeckReports Bot|YYSpider|DigExt|YisouSpider|HttpClient|MJ12bot|EasouSpider|LinkpadBot|Ezooms|^$

[Leigg]

既然是反爬虫，什么 ua，robot 规则都是基本的，如果不是重要的数据，再限制单 ip 访频就足够。

[Xrong]

这个可以试试，https://github.com/mariusv/nginx-badbot-blocker

[longyujin9]

if ($http_user_agent !~* (Chrome|Opera|Safari|Edge|Firefox|Gecko)) {
return 444;
}

只允许浏览器 ua 进行访问

[nicoljiang]

@Leigg 嗯 也有道理。但爬虫名还是不能少，你也可以补充一下 robots 的版本。

@longyujin9 你们都知道 444

@Xrong 好东西，star

[nicoljiang]

@jiabing520a 真全。不过屏蔽了一些 WinHTTP、HttpClient 之类的，恐怕使用的时候得具体看看场景。

[Joyboo]

多数框架都会判断是否爬虫请求的，只要看过源码的大概都知道吧

[nicoljiang]

@Joyboo 你指的是什么框架？

[buffge]

@nicoljiang 我觉得你这是防蜘蛛,而不是屏蔽爬虫

[nicoljiang]

@buffge 不管是 Spider 还是 Crawler，实际上指的都是一类的东西。

[mingyun]

@longyujin9 header 里伪造的 ua 可以通过吗