防止网站被爬虫抓取的方法有哪些

横行无阻

防止网站被爬虫抓取的方法有哪些
$ t. M; W( ?3 ?, e' ~- O5 i
8 \7 \3 X: O* B防止网站被爬虫抓取的方法有哪些
: X+ Y1 Q; E0 P$ f$ P
对于网络爬虫，我们是既爱又恨。一方面爬虫可以带来客观的流量，另一方面又会占用服务器资源。因此在面对爬虫时，进行爬虫管理很有必要。那么我们该如何防止网站被爬虫呢？

0 B. |- |) y5 t$ A) Q, N一、分辨爬虫的善恶
2 B1 X* p( o/ j. y- L
  Q2 k3 F9 I$ j8 }网络爬虫分为两种，一种是善意爬虫，例如百度、Google等搜索引擎的爬虫，另一种是恶意爬虫，它可能会利用网站漏洞，非法窃取网站数据，或者爬取网站内容，占用服务器资源。恶意爬虫的行为是我们所深恶痛觉的，必须想尽办法予以过滤和阻断。网站或者某一些网页不想被诸如百度、Googl等善意爬虫爬取时，我们也希望能采取一些措施。

二、如何防止网站被爬虫？

. u4 a. |/ P% w! P% ]4 o: M针对善意爬虫，几乎所有的搜索引擎爬虫，都会遵守robots协议，只要我们在网站的根目录下存放一个ASCII编码的文本文件，告诉搜索引擎哪些页面不能爬取，搜索引擎的蜘蛛便会遵照协议，不爬取指定页面的内容。
  ?/ v# f6 X+ v: H) n" Z
& I5 M: \  W/ i+ d- ~2 @但是robots并不是一个规范，而是一种君子协议，它只对善意爬虫有效，并不能防止恶意爬虫。

4 X+ m6 |/ c" ?' s* f针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1 R, I. S: |2 Y  ?5 @1.限制User-Agent字段
9 v) B8 f6 U# x+ t8 N
User-Agent字段能识别用户所使用的操作系统、版本、CPU、浏览器等信息，如果请求来自非浏览器，就能识别其为爬虫，阻止爬虫抓取网站信息。
; r8 b: H0 |& @, U( a  S( T
5 W  D# r! p5 u8 H2 @8 _User-Agent字段虽然有效，但对于精心构造的爬虫来说，效果并不好。攻击者可以通过在恶意爬虫请求的User-Agent字段中带上baidu字符，伪装成百度爬虫绕过这一规则，无法被拦截。
" Z* {+ }6 f9 d8 c
7 a6 W7 u1 ^5 N) W# S4 R! f2.限制IP
$ O- e6 }7 a: ~) U- ]1 f8 r* ]
限制IP是最常见的手段之一，为了效率，恶意爬虫的请求频率往往比正常流量高，找出这些IP并限制其访问，可以有效降低恶意爬虫造成的危害。

不过限制IP也有自己的缺点，容易误伤正常用户，攻击者可以通过搭建IP池的方法，来解决这个问题。

3. 添加验证码

在登录页等页面，添加验证码，以识别是正常流量还是恶意爬虫，也是一种基本的操作。不过如今爬虫技术，早已能解决验证码的问题，例如二值化、中值滤波去噪等等。
8 ?  I3 @7 O0 b3 d- x% N0 R


原文连接：http://www.szw86.com/thread-9831-1-1.html