在nginx中将爬虫过来的请求转到指定的后端服务

一、前言

一般识别爬虫的方法有两种：
1、通过dnspod的方式
2、通过UserAgent，这种办法最直接，但也很容易伪造。

二、配置方法

• 实现在nginx中使用map指令来匹配一个变量：

Copy
  map $http_user_agent $is_bot {
      default 0;
      ~[a-z]bot[^a-z] 1;
      ~[sS]pider[^a-z] 1;
      'Yahoo! Slurp China' 1;
      'Mediapartners-Google' 1;
      'YisouSpider' 1;
  }

在这里我们生成了一个名为 $is_bot 的变量，该变量默认值是 0 ，如果匹配到上述 4 种正则表达式的情况后，值就变成1。你可以继续往 map 中添加新的表达式规则。

• 在location中使用该变量：

Copy
location / {
    error_page 418 =200 @bots;
    if ($is_bot) {
        return 418;
    }
    proxy_pass http://91donkey_web;
    include proxy.conf;
    access_log /export/home/logs/91donkey/access.log main;
}

• @bots的定义：

Copy
location @bots {
    proxy_pass http://91donkey_spider_web;
    include proxy.conf;
    access_log /export/home/logs/91donkey_spider/access.log main;
}

当判断当前请求是爬虫的时候，返回 418 错误码。
通过 error_page 将 418 错误码改为 200 （正常请求响应码），然后进入 @bots 这个 location 进行下一步处理。@bots 中将请求反向代理到你指定的后端应用。
如此便可将正常的用户访问和爬虫访问独立开来，使二者不会互相影响。