在nginx中将爬虫过来的请求转到指定的后端服务

Posted 2022-09-22 91donkey

一、前言

一般识别爬虫的方法是通过UserAgent，这种办法最直接，但也很容易伪造，先不管这个了。

二、配置方法

• 实现在nginx中使用map指令来匹配一个变量：

  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：

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：

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。

• proxy.conf内容参考

    #proxy_redirect off;
    proxy_ignore_client_abort on;
    proxy_set_header Host $host;
    proxy_set_header X-Real-IP $remote_addr;
    proxy_set_header X-Forwarded-For $http_x_forwarded_for;
    client_max_body_size 50m;
    client_body_buffer_size 256k;
    proxy_connect_timeout 30;
    proxy_send_timeout 30;
    proxy_read_timeout 60;
    proxy_buffer_size 16k;
    proxy_buffers 4 32k;
    proxy_busy_buffers_size 64k;
    proxy_temp_file_write_size 64k;
    proxy_headers_hash_max_size 51200;
    proxy_headers_hash_bucket_size 6400;
    proxy_next_upstream http_502 http_504 error timeout invalid_header;