nginx or apache前端禁收录，爬虫，抓取

一、Nginx 规则

直接在 server  中新增如下规则即可：

################################################# # 禁止蜘蛛抓取动态或指定页面规则 By 张戈博客 # # 原文地址：http://zhangge.net/5043.html # # 申 明：转载请尊重版权，保留出处，谢谢合作! # ################################################# server { listen 80; server_name zhangge.net; index index.html index.htm index.php default.html default.htm default.php; root /home/wwwroot/zhangge.net; #### 新增规则【开始】 #### #初始化变量为空 set $deny_spider ""; #如果请求地址中含有需要禁止抓取关键词时，将变量设置为y： if ($request_uri ~* "\?replytocom=(\d+)|\?p=(\d+)|/feed|/date|/wp-admin|comment-page-(\d+)|/go") { set $deny_spider 'y'; } #如果抓取的UA中含有spider或bot时，继续为变量赋值（通过累加赋值间接实现nginx的多重条件判断） if ($http_user_agent ~* "spider|bot") { set $deny_spider "${deny_spider}es"; } #当满足以上2个条件时，则返回404，符合搜索引擎死链标准 if ($deny_spider = 'yes') { return 403; #如果是删除已收录的，则可以返回404 break; } #### 新增规则【结束】 #### #以下规则略...

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

server     {     listen80;     server_name zhangge.net;     index index.htmlindex.htmindex.phpdefault.htmldefault.htmdefault.php;     root  /home/wwwroot/zhangge.net;     #### 新增规则【开始】 ####     #初始化变量为空     set$deny_spider"";     #如果请求地址中含有需要禁止抓取关键词时，将变量设置为y：     if($request_uri  ~*"\?replytocom=(\d+)|\?p=(\d+)|/feed|/date|/wp-admin|comment-page-(\d+)|/go"){          set$deny_spider'y';     }     #如果抓取的UA中含有spider或bot时，继续为变量赋值（通过累加赋值间接实现nginx的多重条件判断）     if($http_user_agent~*"spider|bot"){      set$deny_spider"${deny_spider}es";     }     #当满足以上2个条件时，则返回404，符合搜索引擎死链标准      if($deny_spider='yes'){          return403;#如果是删除已收录的，则可以返回404          break;      }      #### 新增规则【结束】 #### #以下规则略...

Ps：就是将上述代码中“新增规则【开始】”到“新增规则【结束】”内容添加到我们网站的 Nginx 配置-- server 模块 中的 root 指令之后即可。

二、 Apache规则

Apache 测试了半天总是500错误，暂时先放弃了，有时间再来调整！

我自己测试写的规则如下，感兴趣的朋友可以自行测试看看，也许是我环境的问题。

RewriteEngine On RewriteCond %{HTTP_USER_AGENT} (^$|spider|bot) [NC] RewriteCond %{REQUEST_URI} (/\?replytocom=(\d+)|\?p=(\d+)|\/feed|\/date|\/wp-admin|wp-includes|\/go|comment-page-(\d+)) [NC] RewriteRule ^(.*)$ - [F]

1 2 3 4

RewriteEngineOn RewriteCond%{HTTP_USER_AGENT}(^$|spider|bot)[NC] RewriteCond%{REQUEST_URI}(/\?replytocom=(\d+)|\?p=(\d+)|\/feed|\/date|\/wp-admin|wp-includes|\/go|comment-page-(\d+))[NC] RewriteRule^(.*)$-[F]

Ps：大概思路和Nginx一致，既匹配了蜘蛛UA，又匹配了禁止关键词的抓取，直接返回403（如何返回404，有知道的朋友请留言告知下，测试成功的朋友也敬请分享一下代码，我实在没时间折腾了。）

三、PHP代码版

/** * PHP比robots更彻底地禁止蜘蛛抓取指定路径代码 By 张戈博客 * 原文地址：http://zhangge.net/5043.html * 申 明：原创代码，转载请注保留出处，谢谢合作！ * 使用说明：将一下代码添加到主题目录的functions.php当中即可。 */ ob_start("Deny_Spider_Advanced"); function Deny_Spider_Advanced() { $UA = $_SERVER['HTTP_USER_AGENT']; $Request_uri = $_SERVER['PHP_SELF'].'?'.$_SERVER['QUERY_STRING']; $Spider_UA = '/(spider|bot|)/i'; //定义需要禁止的蜘蛛UA，一般是spider和bot //禁止蜘蛛抓取的路径，可以参考自己的robots内容，每个关键词用分隔符隔开，需注意特殊字符的转义 $Deny_path = '/\?replytocom=(\d+)|\?p=(\d+)|\/feed|\/date|\/wp-admin|wp-includes|\/go|comment-page-(\d+)/i'; //如果检测到UA为空，可能是采集行为 if(!$UA) { header("Content-type: text/html; charset=utf-8"); wp_die('请勿采集本站，因为采集的站长木有小JJ！'); } else { //如果发现是蜘蛛，并且抓取路径匹配到了禁止抓取关键词则返回404 if(preg_match_all($Spider_UA,$UA) && preg_match_all($Deny_path,$Request_uri)) { //header('HTTP/1.1 404 Not Found'); //header("status: 404 Not Found"); header('HTTP/1.1 403 Forbidden'); //可选择返回404或者403（有朋友说内链404对SEO不太友好） header("status: 403 Forbidden"); } } }

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

/** * PHP比robots更彻底地禁止蜘蛛抓取指定路径代码 By 张戈博客 * 原文地址：http://zhangge.net/5043.html * 申   明：原创代码，转载请注保留出处，谢谢合作！ * 使用说明：将一下代码添加到主题目录的functions.php当中即可。 */ ob_start("Deny_Spider_Advanced"); functionDeny_Spider_Advanced(){     $UA=$_SERVER['HTTP_USER_AGENT'];     $Request_uri=$_SERVER['PHP_SELF'].'?'.$_SERVER['QUERY_STRING'];     $Spider_UA  ='/(spider|bot|)/i';//定义需要禁止的蜘蛛UA，一般是spider和bot     //禁止蜘蛛抓取的路径，可以参考自己的robots内容，每个关键词用分隔符隔开，需注意特殊字符的转义     $Deny_path  ='/\?replytocom=(\d+)|\?p=(\d+)|\/feed|\/date|\/wp-admin|wp-includes|\/go|comment-page-(\d+)/i';     //如果检测到UA为空，可能是采集行为     if(!$UA){         header("Content-type: text/html; charset=utf-8");         wp_die('请勿采集本站，因为采集的站长木有小JJ！');     }else{         //如果发现是蜘蛛，并且抓取路径匹配到了禁止抓取关键词则返回404         if(preg_match_all($Spider_UA,$UA)&&preg_match_all($Deny_path,$Request_uri)){              //header('HTTP/1.1 404 Not Found');                //header("status: 404 Not Found");                    header('HTTP/1.1 403 Forbidden');//可选择返回404或者403（有朋友说内链404对SEO不太友好）              header("status: 403 Forbidden");                                       }     } }

使用很简单，将上述PHP代码添加到主题目录下放 functions.php 当中即可。

四、测试效果

测试效果很简单，直接利用百度站长平台的抓取诊断工具即可：

 

点开看看可以发现真的是返回404：

最后，结合张戈博客之前分享的《SEO技巧:Shell脚本自动提交网站404死链到搜索引擎》即可将这些无用的收录全部删除：

有朋友说我这个是黑帽手法，用户可以访问，而搜索引擎却404，很适合淘宝客网站的商品外链。是什么手法我不清楚，我只知道实用就好！特别是张戈博 客那些外链，都是用/go?url=这个路径来跳转的，现在这样处理后，就算搜索引擎不遵循robots硬是要抓取，就只能抓到404了！

转自张戈的博客