Internet Archive 蜘蛛爬虫详解

Internet Archive 是什么蜘蛛？

存档类爬虫为公开网页存档服务抓取内容，遇到"站点将关停"的消息时可能出现突发性大并发抓取。

Wayback Machine 网页时光机的内容抓取器，把网页存档供公众回溯。

如何识别与验证 Internet Archive？

nslookup 反向解析得到的主机名

robots.txt 与 nginx 配置示例

用 robots.txt 控制 Internet Archive 抓取

屏蔽全站（正规蜘蛛会遵守）：

User-agent: archive.org_bot
Disallow: /

robots.txt 默认就是允许抓取，放行无需任何配置；如果之前全局屏蔽过，为它单独开绿灯：

User-agent: archive.org_bot
Allow: /
Disallow: /private/   # 仅禁私密目录

在 nginx 中按 UA 拦截 Internet Archive

当确认它不应抓取你的站点时，可在 server 或 location 段按 UA 拒绝：

if ($http_user_agent ~* "archive.org_bot") {
    return 403;
}

注意：UA 可以被任何人伪造，按 UA 拦截只对"自报家门"的访问有效；要精确拦截伪装流量，应对自称 archive.org_bot 的请求做上面的反向 DNS 校验。

伪装风险提示

任何 UA 都可以伪造。若 Internet Archive 的访问伴随异常高频、集中扫描路径或大量 404，按可疑流量处理，用 IP 反查与频率限制兜底。

Internet Archive 常见问题 (FAQ)