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
# J4 n: i- ^& d/ F- R0 y, ~
" d+ w/ _: q5 D9 c2 _) g/ w防止网站被爬虫抓取的方法有哪些
3 L$ r1 ]: }9 ]! P# S! s, P$ Z
$ \6 B/ B9 n0 C/ ?4 U/ y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？

一、分辨爬虫的善恶

3 S0 c2 @! u# a( J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。

, w- f# {; U7 \二、如何防止网站被爬虫？
' d% M! I5 V# l
0 r2 a1 c4 c1 Q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。

# p0 c8 Z' ^, L5 X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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
# `3 ~7 f# y# e! G6 p. O, K
1.限制User-Agent字段
6 c, d6 f- Q# z/ q; B; ~0 O* K- n1 H
& ~# i8 H: b, p, ?' i7 ?' z) @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。

& t9 \% \8 J! l  g1 aUser-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。

; p2 j. }) \1 a4 Q9 ]; m0 W0 e2.限制IP

6 k. ?6 Y9 b! p7 B! C7 C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。

/ R' s  o% c  O" b2 d- x3. 添加验证码
6 S/ A6 B0 B% y. a& c
( i+ g& t, c8 e2 D+ H- n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。

7 |+ O" q( n& K8 g

( l3 j% J" {( O) F' x1 s- T原文连接：http://www.szw86.com/thread-9831-1-1.html