Nginx防蜘蛛爬虫处理
来源:互联网 发布:上知天文下肢瘫痪 编辑:程序博客网 时间:2024/04/28 12:33
假定一个场景:某个网站它可能不希望被网络爬虫抓取,例如测试环境不希望被抓取,以免对用户造成误导,那么需要在该网站中申明,本站不希望被抓取。有如下方法:
方法一:修改nginx.conf,禁止网络爬虫的ua,返回403。
server {
listen 80;server_name 127.0.0.1;
#添加如下内容即可防止爬虫
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;
}
方法2:网站更目录下增加Robots.txt,放在站点根目录下。
在http://tool.chinaz.com/robots/站点可以针对现在的搜索引擎按照想要的规则生成robots.txt文件。
知识扩展:
robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。
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。
Robots协议是国际互联网界通行的道德规范,基于以下原则建立:
1、搜索技术应服务于人类,同时尊重信息提供者的意愿,并维护其隐私权;
2、网站有义务保护其使用者的个人信息和隐私不被侵犯。
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)
原文地址:http://blog.csdn.net/xifeijian/article/details/38615695
0 0
- Nginx防蜘蛛爬虫处理
- Nginx防蜘蛛爬虫处理
- Nginx防蜘蛛爬虫处理
- Nginx防蜘蛛爬虫处理
- nginx预防蜘蛛爬虫处理
- Nginx 防爬虫
- 蜘蛛爬虫
- Linux/Nginx查看搜索引擎蜘蛛爬虫的行为
- 网站防蜘蛛爬虫控制--怎么使用robots.txt及其详解
- 防爬虫
- 网络蜘蛛爬虫原理
- 搜索引擎蜘蛛爬虫原理
- 搜索引擎蜘蛛爬虫原理
- 蜘蛛网络爬虫多线程
- Web Spider 网络蜘蛛爬虫
- 禁止搜索引擎蜘蛛(爬虫)
- C#构造蜘蛛爬虫程序
- 第三章 爬虫和蜘蛛
- Google Chrome 浏览器怎么找到看完视频之后那个缓存文件 谢谢
- 欢迎使用Markdown编辑器写博客
- 【DATAGUARD】物理dg配置客户端无缝切换 (八.1)--Data Guard Broker 的配置
- android--图片的水平自动切换
- 【基础练习】【倍增LCA】codevs1503 愚蠢的宠物
- Nginx防蜘蛛爬虫处理
- hdu 5459 Jesus Is Here(dp)
- 相册读取照片UIImagePickController
- 自定义UITabBardUIButtton上面的UIImageView和UILabel的布局
- 电脑装多系统,启动出现grub rescue,“normal.mod not found”解决办法(windows,ubuntu)
- QCustomPlot之类概述
- 黄半仙算命系统4
- 文章标题
- Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 文章总结