nginx针对爬虫进行限速配置

网络爬虫一方面可以给网站带来一定的流量,便于搜索引擎收录,利于用户搜素,同时也会给服务器带来一定的压力,在网络爬虫对网站内容进行收录时,会引起服务器负载高涨。有没有什么方法既不阻止网络爬虫对网站内容进行收录,同时对其连接数和请求数进行一定的限制呢?

先来普及下robots.txt协议:
robots.txt(也称为爬虫协议、爬虫规则、机器人协议等)是放置在网站根目录中的.TXT文件,是搜索引擎蜘蛛程序默认访问网站第一要访问的文件,如果 搜索引擎蜘蛛程序找到这个文件,它就会根据这个文件的内容,来确定它访问权限的范围。robots.txt将告诉搜索引擎蜘蛛程序网站哪些页面时可以访问,哪些不可以。Robots协议是网站国际互联网界通行的道德规范,其目的是保护网站数据和敏感信息、确保用户个人信息和隐私不被侵犯。因其不是命令,故需要搜索引擎自觉遵守。

robots.txt必须放置在一个站点的根目录下,而且文件名必须全部小写,一词不差。

robots.txt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目录下面的内容
Disallow: /require/ 这里定义是禁止爬寻require目录下面的内容

使用robots.txt可以来控制某些内容不被爬虫收录,保证网站敏感数据和用户信息不被侵犯。

对爬虫进行限速处理实现方法如下:
相关内容参见:
《nginx限制连接数ngx_http_limit_conn_module模块》
《nginx限制请求数ngx_http_limit_req_module模块》
《nginx map使用方法》
http {

map $http_user_agent $agent {

default “”;

~curl $http_user_agent;

~*apachebench $http_user_agent;

~*spider $http_user_agent;

~*bot $http_user_agent;

~*slurp $http_user_agent;

}

limit_conn_zone $agent zone=conn_ttlsa_com:10m;

limit_req_zone $agent zone=req_ttlsa_com:10m rate=1r/s;

server {

listen 8080;

server_name test.ttlsa.com;

root /data/webroot/www.ttlsa.com/

location / {

limit_req zone=conn_ttlsa_com burst=5;

limit_conn req_ttlsa_com 1;

limit_rate 500k;

}

}

}
测试:

# ab -c 10 -n 300 http://test.ttlsa.com:8080/www.ttlsa.com.html

发表评论

电子邮件地址不会被公开。 必填项已用*标注

您可以使用这些HTML标签和属性: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>