Shell脚本自动提交网站404死链到搜索引擎

从 Nginx 日志分析并生成能提交到搜索引擎的死链文件的 Shell 脚本。

一、前因后果

今天在看百度站长平台的抓取频次的时候，发现最近抓取次数有所下滑，并且平均响应时间也有所上升，感觉和最近频繁折腾主题以及访问量增加有所关系：

这个问题倒是好解决，等主题稳定了，页面静态缓存文件也就不会频繁被手工删除，整个网站的抓取响应时间应该就能回到正常水平。

再往下看，却发现网站抓取中出现的 404 数据也呈上升趋势：

实际上，张戈博客以前是手动提交过死链文件的，但后来没时间也就没去搭理更新了。看来这个工作还得重新做起来，并且实现自动化才行了。

二、Shell 脚本

说做就做，简单的写了个 Shell 脚本就搞定了！

脚本名称：网站死链生成脚本

脚本功能：每天定时分析网站前一天的 nginx 日志， 然后提取状态码为 404 并且 UA 为百度蜘蛛的抓取路径，并写入到网站根目录下的 death.txt 文件，用于提交百度死链。

脚本代码：

#!/bin/bash
#Desc: Death Chain File Script
#Author: ZhangGe
#Blog: https://zhang.ge/5038.html
#Date: 2015-05-03
#初始化变量
#定义蜘蛛 UA 信息（默认是百度蜘蛛）
UA='+http://www.baidu.com/search/spider.html'
 
#前一天的日期（nginx 日志）
DATE=`date +%Y-%m-%d -d "1 day ago"`
 
#定义日志路径
logfile=/home/wwwlogs/zhang.ge_${DATE}.log
 
#定义死链文件存放路径
deathfile=/home/wwwroot/zhang.ge/death.txt
 
#定义网站访问地址
website=https://zhang.ge
 
#分析日志并保存死链数据
for url in `awk -v str="${UA}" '$9=="404" && $15~str {print $7}' ${logfile}`
do
        grep -q "$url" ${deathfile} || echo ${website}${url} >>${deathfile}
done

使用说明：

①、脚本适用于每天都做了日志切割的 Nginx，没有做的朋友可以参考博客之前的文章：

nginx 日志切割及 7 天前的历史日志删除脚本

②、将代码保存为 shell 脚本，比如 deathlink.sh，然后如下建立任务计划：

#执行如下命令编辑任务计划[root@Mars_Server ~]# crontab -e #每天凌晨 1 点执行此脚本（注意脚本的实际路径）0 1 */1 * * /root/death.sh >/dev/null 2>&1 #按下 ESC，然后键入 :wq 保存并退出

③、执行后，将在网站根目录生成死链文件：death.txt，可以浏览器访问看看内容，比如：

https://zhang.ge/death.txt

④、前往立即前往提交这个死链文件即可：

这样一来，系统会每天执行脚本，将昨天的百度蜘蛛爬到的 404 路径保存到网站根目录下的 death.txt，以备百度死链抓取工具前来抓取。

效果截图：

下面贴上这几天死链抓取（百度定时抓取，无需人工干预）及处理情况，效果还是非常明显的：

值得说明的是，这些死链记录是累加的，已保存的死链数据，就算百度蜘蛛不爬了也会继续保存，需要人工清理，不过一般不清理也没啥问题。

注意事项：

①、如果你的 nginx 服务 并没有配置相应的 access 日志，请自行在 server 下添加所需网站的 access 日志，否则脚本无法使用；

②、脚本适用的 access 日志格式如下：

log_format  access  '$remote_addr - $remote_user [$time_local] "$request" ' '$status $body_bytes_sent "$http_referer" ' '"$http_user_agent" $http_x_forwarded_for';

如果和你的不一样，则需要修改脚本中的 awk 指定的域（即$9、$15 以及$7） 三、其他拓展

①、如果你之前没有做过 Nginx 日志切割，那么可以直接用下面这个脚本来一次性搞定：

#!/bin/bash
#Desc: Cut Nginx Log and Create Death Chain File
#Author: ZhangGe
#Blog: https://zhang.ge/5038.html
#Date: 2015-05-03
 
#①、初始化变量：
#定义 access 日志存放路径
LOGS_PATH=/home/wwwlogs
 
#定义蜘蛛 UA 信息（默认是百度蜘蛛）
UA='+http://www.baidu.com/search/spider.html'
 
#定义网站域名（需要先给相应的网站以域名形式配置了 nginx 日志，比如 zhang.ge.log）
DOMAIN=zhang.ge
 
#定义前一天日期
DATE=`date +%Y-%m-%d -d "1 day ago"`
 
#定义日志路径
logfile=/home/wwwlogs/zhang.ge_${DATE}.log
 
#定义死链文件存放路径
deathfile=/home/wwwroot/zhang.ge/death.txt
 
#定义网站访问地址
website=https://zhang.ge
 
#②、Nginx 日志切割
mv ${LOGS_PATH}/${DOMAIN}.log ${LOGS_PATH}/${DOMAIN}_${DATE}.log
kill -USR1 `ps axu | grep "nginx: master process" | grep -v grep | awk '{print $2}'`
#可选功能: 自动删除 30 天之前的日志，可自行修改保存时长。
cd ${LOGS_PATH}
find . -mtime +30 -name "*20[1-9][3-9]*" | xargs rm -f
 
 
#③、网站死链生成（百度专用）
#分析日志并保存死链数据
for url in `awk -v str="${UA}" '$9=="404" && $15~str {print $7}' ${logfile}`
do
        grep -q "$url" ${deathfile} || echo ${website}${url} >>${deathfile}
done

②、其他 WEB 服务器，比如 Apache 或 IIS，只要参考脚本思路，修改成实际的路径或日志字段，同样可以写一个相同功能的 Shell 或 Batch 脚本，有需求的朋友自己去研究折腾吧！