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
4 S: o# Z# }; {8 b' T* L! ^, X' u. T
防止网站被爬虫抓取的方法有哪些
6 p! W% B" f, E+ `" h
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？
2 g# w2 z; y6 j3 [$ e3 @
一、分辨爬虫的善恶
9 o+ A$ V( r9 Y  m' v' m
: y9 ^; |5 X- T# ^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？
7 I/ i( z: C7 |$ \& i, q7 b' r
' r. C  o9 I( [/ F8 Y' A* E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。

; Q& U3 u$ g; F+ z  Q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。
9 v# C0 F( _- j7 K  ~
2 s+ F. S# z9 K针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
0 N8 v1 C; V) `2 A
1.限制User-Agent字段

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。
; `6 |- E$ O1 H+ [/ m" L- Y
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

, x! W# R; _9 M2 k* @+ S9 O% M, O$ X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。

/ _# |* W) Q/ j+ j1 F/ ?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。
; D! z& j6 q% k
3. 添加验证码
9 }% u8 \5 J' h: t1 k
5 |9 s6 d9 [. ^6 T6 v; `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。
( N2 z6 C+ m9 K9 S7 H# Y- y
; D2 d5 ~: T& g
7 ~: Q3 m" t  b* M1 i4 v( N5 M& j
, q: ]  `1 K* R3 R/ {原文连接：http://www.szw86.com/thread-9831-1-1.html