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。 [warning]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。[/warning] 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： 《 》 《 》 《 》

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

如需转载请注明出处：http://www.ttlsa.com/html/3257.html