前些日子，屏蔽了一些 IP ，在做了一些研究后，发现这些都是来自华为。
一直以来，都认为华为只是做硬件，做软件，还没想到它们还要做搜索。可惜的是，他们一如既往的不按规矩来，过度的抓取，以及完全不考虑被抓取的网站的性能影响。
打开 http://aspiegel.com/en/about/ 网页，可以看到写着。
Aspiegel： The HUAWEI Mobile Services (international) are provided by Aspiegel Limited.
如果继续，打开 http://aspiegel.com/en/how-petal-search-works/ 网页，可以看到Petal Search 的相关介绍。
所以华为搜索引擎，就是 Aspiegel 搜索，现在改名成为了 Petal Search。就是一回事。
根据 Hyypernode.com 主机商的情况报导，华为的搜索引擎蜘蛛对他们的用户的影响，很多人抱怨，机器人淹没了他们的网站，在线服务因被 AspiegelBot 的流量淹没而无法使用。
如何屏蔽华为的蜘蛛、机器人
一般就是两种办法。
1） 用 Robots.txt 设置，禁用它。
User-agent: PetalBot
Disallow: /
2) 在 nginx 配置中禁用
这个就比较简单粗暴了，用来对付那些不遵守 robots.txt 规范的爬虫，蜘蛛是最合适不过了。
在配置文件中，加上一段禁用 IP 地址。
deny 114.119.160.251;如何知道这个 IP 地址是来自于 华为 / AspiegelBot / PetalBot 呢？
davidyin@sunflower:~$ host 114.119.160.251
251.160.119.114.in-addr.arpa domain name pointer petalbot-114-119-160-251.aspiegel.com.
这就可以看到 petalbot 的字样，以及来自 aspiegel.com。
通常我的做法，就是上面的第二种，一般我的网站的 robots.txt 的写法就是对于所有的 bot 都生效的，也就是允许，某些特别的页面会禁止抓取。
对于那些滥用资源，过度抓取，消耗大量服务器资源的蜘蛛，在我看来，已经类似 Dos 或者 DDos 攻击了。根据我的了解，他们对于 robots.txt 规范也不会尊重的。所以就不浪费时间，直接在 nginx 服务器这里就禁用了。
没有评论:
发表评论