• 保存到桌面加入收藏设为首页
网站类问题

如何设置nginx防范爬虫链接资源-综合问题-虎跃云

时间:2020-12-18 21:06:48   作者:   来源:   阅读:2204   评论:0
内容摘要:方法一:修改虚拟站点加入下列代码if ($http_user_agent ~* "qihoobot|Baiduspider|Googlebot|Googlebot-Mobile|Googlebot-Image|Mediapartners-Google|Adsbot-Go......

方法:修改虚拟站点加入下列代码

if ($http_user_agent ~* "qihoobot|Baiduspider|Googlebot|Googlebot-Mobile|Googlebot-Image|Mediapartners-Google|Adsbot-Google|Feedfetcher-Google|Yahoo! Slurp|Yahoo! Slurp China|YoudaoBot|Sosospider|Sogou spider|Sogou web spider|MSNBot|ia_archiver|Tomato Bot")

{

return 403;

}

blob.png 方法:网站更目?下增加Robots.txt,放在站点根目录下

1.当一个搜索蜘蛛访问一个站点时,它会首先检查该站点根目录下是否存在robots.txt,如果存在,搜索机器人就会按照该文件中的内容来确定访问的范围;如果该文件不存在,所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。百度官方建议,仅当您的网站包含不希望被搜索引擎收录的内容时,才需要使用robots.txt文件。如果您希望搜索引擎收录网站上所有内容,请勿建立robots.txt文件。

当然,如果搜索引擎不遵守约定的Robots协议,那么通过在网站下增加robots.txt也是不起作用的。(在正式环境中,可以适当允许搜索引擎抓取收录)

2.如:Robots.txt文件内容

User-agent: *

Crawl-delay: 500

Disallow: /wuyou/

Disallow: /php/

Disallow: /wuyou_admin/

Disallow: /actions/

3.解析:文件写法

User-agent: *   这里的*代表的所有的搜索引擎种类,*是一个通配符

Disallow: /admin/   这里定义是禁止爬寻admin目录下面的目录

Disallow: /require/   这里定义是禁止爬寻require目录下面的目录

Disallow: /ABC/    这里定义是禁止爬寻ABC目录下面的目录

Disallow: /cgi-bin/*.htm  禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)

Disallow: /*?*    禁止访问网站中所有包含问号 (?) 的网址

Disallow: /.jpg$   禁止抓取网页所有的.jpg格式的图片

Disallow: /ab/adc.html   禁止爬取ab文件夹下面的adc.html文件。

Allow: /cgi-bin/   这里定义是允许爬寻cgi-bin目录下面的目录

Allow: /tmp     这里定义是允许爬寻tmp的整个目录

Allow: .htm$   仅允许访问以".htm"为后缀的URL

Allow: .gif$    允许抓取网页和gif格式图片

sitemap:      网站地图 告诉爬虫这个页面是网站地图



文章投稿QQ:262730666     网站意见建议QQ:262730666

  吉ICP备14005785号-12