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
$ A/ q: x6 E2 S
1 ^; D( y6 a" T防止网站被爬虫抓取的方法有哪些

1 o* l$ q- v" }1 M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？

: G+ |) F; C: Q: i一、分辨爬虫的善恶
3 ^# u% e( X/ B7 U  F
! e9 Y7 x. A* N3 Z& O$ d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。

/ X, e6 w6 z; Z7 ?; |, E二、如何防止网站被爬虫？

0 D. a2 L; a# a; X- D/ Z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。

% U0 E/ H5 L+ [% \0 a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。

2 F: d& d! L% I: m( K  f+ M针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
+ y: X/ h! R7 ?- H& v: R2 y* h  b
  K$ Q3 s9 |4 t( n0 W1.限制User-Agent字段
9 }$ _8 i! k9 R4 R2 K4 N" c1 x: i
/ h8 M  Z( B8 C6 |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。
4 H: O; D2 k9 `5 r: n: V+ Y3 t4 L
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。

2.限制IP
9 k6 i3 ~" G* Q/ ^" Q1 V8 ]
3 `+ p8 o) t8 @4 |1 O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。
2 v" U7 j( V3 Q
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。
; m5 s0 r+ t1 ?0 U- a4 B3 {$ e
/ Z0 u9 C  e( A& }6 q3. 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。
. \# G0 X3 C2 p4 K
& ?- q9 K. W  F5 C" l
0 Y- M) D5 O; M$ v# \' q$ \8 C* i
' b# A7 Z0 s0 d* ~: z8 l原文连接：http://www.szw86.com/thread-9831-1-1.html