屏蔽百度蜘蛛有几种方法？
今天去面试一家大型互联网公司的时候，被面试官的一个问题难住了，其实也不是什么很难的问题，但是由于平时用的少，就没有回答的很完美。
面试官问：屏蔽百度蜘蛛的方法有几种，我回答说有两种：第一种是使用robots.txt，即蜘蛛协议；第二种就是nofollow。面试官似乎都这个答案不是很满意，后来我又查资料才发现，屏蔽蜘蛛的方式其实是有四种。下面马兔子来将这四种方法一一列出：
方法一：robots.txt屏蔽百度或某一爬虫抓取
打开robots.txt，在开头加入如下语句（以百度蜘蛛为例）：
User-agent: baiduspider
Disallow:/
代码分析，首先要知道该爬虫的名称，如百度爬虫是Baiduspider，Google爬虫是Googlebot，360搜索爬虫是360Spider，你可以通过各大搜索引擎蜘蛛爬虫UA汇总来获取爬虫的名称，例如，微软必应的蜘蛛UA是：
"Mozilla/5.0 (compatible; bingbot/2.0; +http://www.google.com/bingbot.htm)"
我们就可以知道它的爬虫名称为Googlebot。
方法二：robots Meta标签屏蔽百度蜘蛛或者某一爬虫抓取
这种方法可以用来设置某一个页面对蜘蛛抓取的屏蔽：
<head> …
<meta name="robots" content="noindex,nofollow"/>
</head>
当然了，上面的写法是屏蔽了所有的蜘蛛，如果只是想屏蔽某一个特定的蜘蛛，例如百度蜘蛛，那么可以这样写：
<head> …
<meta name="Baiduspider" content="noindex,nofollow"/>
</head>
方法三：.htaccess屏蔽百度或某一爬虫抓取（Hypertext Access(超文本入口)）
由于一些蜘蛛并不会遵循蜘蛛协议（robots.txt），所以我们需要通过.htaccess来屏蔽它，以百度蜘蛛为例：
RewriteEngine on
RewriteCond %{HTTP_USER_AGENT} ^.*Baiduspider.* [NC]
RewriteRule .* - [F]
如果是Apache服务器，可以修改配置文件 httpd.conf ，这样写(/var/www/html 是根目录)：
...
SetEnvIfNoCase User-Agent ^.*Baiduspider.* bad_bot
Order Allow,Deny
Allow from all
Deny from env=bad_bot
...
如果是Nginx服务器，可以修改配置文件( 默认是 nginx.conf )，这样写：
Server{
...
location/ {
if ($http_user_agent !~ Baiduspider) {
return 403;
}
}
...
}
方法四：通过IP屏蔽百度或某一爬虫抓取
这种方法需要我们通过网站的日志进行分析，筛选出来爬虫的IP地址，然后通过服务器防火墙屏蔽该IP，这样就可以通过IP来准确屏蔽蜘蛛了。但是由于这样需要大量的分析，且搜索引擎蜘蛛的IP也是不可能获取完的，很少有人会用这种方法。
请添加微信后购买资源
马兔子微信
粤ICP备 19109426号