屏蔽疯狂蜘蛛，防止cpu占用100%

站点总是某个时间段莫名的cpu100%，资源占用也不高，这就有必要怀疑爬虫问题。

使用”robots.txt”规范

在网站根目录新建空白文件，命名为”robots.txt”，将下面内容保存即可。

  User-agent: Baiduspider  Disallow:  User-agent: YisouSpider  Disallow:  User-agent: 360Spider  Disallow:  User-agent: Sosospider  Disallow:  User-agent: sogou spider  Disallow:  User-agent: YodaoBot  Disallow:  User-agent: Googlebot  Disallow:  User-agent: bingbot  Disallow:  User-agent: *  Disallow: /  

通过nginx

有些爬虫是不按规则出牌的，我们必须要能自己控制，将下面代码添加到”location / { }” 段里面，比如伪静态规则里面即可。

  #禁止Scrapy等工具的抓取  if ($http_user_agent ~ (Scrapy|Curl|HttpClient)) {  return 403;  }    #禁止指定UA及UA为空的访问  if ($http_user_agent ~ "YandexBot|Bytespider|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|Ezooms|^$" ) {  return 403;  }  #禁止非GET|HEAD|POST方式的抓取  if ($request_method !~ ^(GET|HEAD|POST)$) {  return 403;  }  

注意：~为模糊匹配，~*为模糊匹配不区分大小写
测试一下：
curl -I -A "Mozilla/5.0 YandexBot demo" http://你的域名
返回403表示设置成功！