网站怎么识别爬虫（如何屏蔽爬虫yisouspider一搜蜘蛛访问站点）

今天无意间发现我的两个站点访问速度都非常缓慢，登录阿里云后台看了ECS服务器才发现CUP的使用率经常达到99-100%，看了日志才发现yisouspider（一搜蜘蛛，现在应该是属于神马的）蜘蛛正在疯狂爬行，就算是我在robots.txt设置了禁止爬行的路径也被爬行了。如果是凌晨爬行就不说了，竟然是在大白天疯狂爬行，分分钟可以搞瘫我们的站点，度娘一下发现有很多人都在吐槽这个yisouspider，最终的解决方案就是直接禁止yisouspider的爬行和访问。

yisouspider爬行robots文件禁止的路径

UC社区神马搜索中给出的解释：

robots.txt是搜索引擎访问网站时要访问的第一个文件，以确定哪些网页是允许或禁止抓取的。yisouspider遵守robots.txt协议。如您希望完全禁止神马访问或对部分目录禁止访问，您可以通过robots.txt文件来设置内容，限定yisouspider的访问权限。

2) 禁止yisouspider抓取指定目录

1. User-agent: yisouspider

2. Disallow: /update

3. Disallow: /history

禁止抓取update、history目录下网页

疑问

我们平时写robots协议的时候都是直接写User-agent: *，跟神马搜索给出的User-agent: yisouspider有点不一样，不知道是不是这个问题导致我们的robots协议对yisouspider毫无作用。

不过我也懒得折腾这个针对yisouspider的robots协议，我还是直接在Nginx里面禁止yisouspider来得更有效果。

Nginx屏蔽爬虫yisouspider访问站点方法：

进入到nginx安装目录下的conf目录，将如下代码保存为 agent_deny.conf

1. #禁止Scrapy等工具的抓取

2. if ($http_user_agent ~* (Scrapy|Curl|HttpClient)) {

3. return 403;

4. }

5. #禁止指定UA及UA为空的访问

6. if ($http_user_agent ~ "yisouspider|FeedDemon|Indy Library|Alexa Toolbar|AskTbFXTV|AhrefsBot|CrawlDaddy|CoolpadWebkit|Java|Feedly|UniversalFeedParser|ApacheBench|Microsoft URL Control|Swiftbot|ZmEu|oBot|jaunty|Python-urllib|lightDeckReports Bot|YYSpider|DigExt|HttpClient|MJ12bot|heritrix|EasouSpider|Ezooms|^$" ) {

7. return 403;

8. }

9. #禁止非GET|HEAD|POST方式的抓取

10. if ($request_method !~ ^(GET|HEAD|POST)$) {

11. return 403;

12. }

然后，在网站相关配置中的

1. location / {

2. try_files $uri $uri/ /index.php?$args;

下方插入如下代码：

1. include agent_deny.conf;

保存后，执行如下命令，平滑重启nginx即可：

1. /usr/local/nginx/sbin/nginx -s reload

懿古今和boke112导航站点就是使用这个方法成功屏蔽爬虫yisouspider访问。设置好之后，我的ECS服务器CPU的使用率立马就降下来了。

根据百度统计给出的数据，我的站点来自神马搜索的不多，所以权衡之下只能禁止yisouspider蜘蛛爬行了，要不然我的站点经常被它搞瘫了就得不偿失了。如果你的服务器比较给力，不会被搞瘫的话，就没必要禁止它了。

PS：请允许我用小心之心揣测，以前使用阿里云免费虚拟主机每个月都会出现资源耗尽，最大的问题很有可能就会被yisouspider蜘蛛爬行导致的。

Apache屏蔽爬虫yisouspider访问站点方法：

1、通过修改 .htaccess文件

修改网站目录下的.htaccess，添加如下代码即可（2种代码任选）：

可用代码 (1)：

1. RewriteEngine On

2. RewriteCond %{HTTP_USER_AGENT} (^$|yisouspider|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) [NC]

3. RewriteRule ^(.*)$ - [F]

可用代码 (2)：

1. SetEnvIfNoCase ^User-Agent$ .*(yisouspider|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) BADBOT

2. Order Allow,Deny

3. Allow from all

4. Deny from env=BADBOT

2、通过修改httpd.conf配置文件

找到如下类似位置，根据以下代码 新增 / 修改，然后重启Apache即可：

1. DocumentRoot /home/wwwroot/xxx

2. <Directory "/home/wwwroot/xxx">

3. SetEnvIfNoCase User-Agent ".*(yisouspider|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)" BADBOT

4. Order allow,deny

5. Allow from all

6. deny from env=BADBOT

7. </Directory>

PHP代码屏蔽爬虫yisouspider访问站点方法：

将如下方法放到贴到网站入口文件index.php中的第一个 <?php 之后即可：

1. //获取UA信息

2. $ua = $_SERVER['HTTP_USER_AGENT'];

3. //将恶意USER_AGENT存入数组

4. $now_ua = array('yisouspider','FeedDemon ','BOT/0.1 (BOT for JCE)','CrawlDaddy ','Java','Feedly','UniversalFeedParser','ApacheBench','Swiftbot','ZmEu','Indy Library','oBot','jaunty','YandexBot','AhrefsBot','MJ12bot','WinHttp','EasouSpider','HttpClient','Microsoft URL Control','YYSpider','jaunty','Python-urllib','lightDeckReports Bot');

5. //禁止空USER_AGENT，dedecms等主流采集程序都是空USER_AGENT，部分sql注入工具也是空USER_AGENT

6. if(!$ua) {

7. header("Content-type: text/html; charset=utf-8");

8. die('请勿采集本站，因为采集的站长木有小JJ！');

9. }else{

10. foreach($now_ua as $value )

11. //判断是否是数组中存在的UA

12. if(eregi($value,$ua)) {

13. header("Content-type: text/html; charset=utf-8");

14. die('请勿采集本站，因为采集的站长木有小JJ！');

15. }

16. }

温馨提示

本文三种方法及代码均来自张戈博主分享的《服务器反爬虫攻略：Apache/Nginx/PHP禁止某些User Agent抓取网站》。对于Apache和PHP代码屏蔽yisouspider的办法懿古今没有亲自测试，本站只采用了Nginx屏蔽yisouspider的办法，所以如果采用其他方法遇到问题的请前往张戈博客留言求助。

附录：UA收集

下面是网络上常见的垃圾UA列表，仅供参考，同时也欢迎你来补充。

1. yisouspider 一搜蜘蛛

2. FeedDemon 内容采集

3. BOT/0.1 (BOT for JCE) sql注入

4. CrawlDaddy sql注入

5. Java 内容采集

6. Jullo 内容采集

7. Feedly 内容采集

8. UniversalFeedParser 内容采集

9. ApacheBench cc攻击器

10. Swiftbot 无用爬虫

11. YandexBot 无用爬虫

12. AhrefsBot 无用爬虫

13. YisouSpider 无用爬虫（已被UC神马搜索收购，此蜘蛛可以放开！）

14. MJ12bot 无用爬虫

15. ZmEu phpmyadmin 漏洞扫描

16. WinHttp 采集cc攻击

17. EasouSpider 无用爬虫

18. HttpClient tcp攻击

19. Microsoft URL Control 扫描

20. YYSpider 无用爬虫

21. jaunty wordpress爆破扫描器

22. oBot 无用爬虫

23. Python-urllib 内容采集

24. Indy Library 扫描

25. FlightDeckReports Bot 无用爬虫

26. Linguee Bot 无用爬虫

原文地址：http://yigujin.cn/1026.html

,