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
7 u! |. t, ?# i3 l. ?
0 i" T6 }+ I7 g5 n# ^! E4 z6 J防止网站被爬虫抓取的方法有哪些

& K  R8 p- H5 ?+ F3 ?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？
$ R. X: b0 c$ c, F3 \5 D3 u
9 w$ x: I6 F. U一、分辨爬虫的善恶

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。
* W3 v, }3 \8 q3 R1 u0 q8 p
+ T4 X4 j7 Q7 ^7 W二、如何防止网站被爬虫？

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。

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。

; t0 w/ ^; x! g) c% X0 e- g1.限制User-Agent字段
" b2 w  |0 S& _/ F; N7 a5 b; l
3 u, {9 H; V/ mUser-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。
. u. h! L. H# w' i5 A
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。
& I* Z6 `; {& o' w5 c! w1 h7 A" K
2.限制IP
+ A6 q' p  s3 v4 R4 K, ?4 K% B
% ?- p& H7 |7 i2 M0 V5 _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。
7 J) c: g3 ?; A* m& j$ k! v
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

# r, y8 K0 s8 A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。
2 f3 Y/ A" R# C

3 A& s2 W' x% z# A3 m; A
& r( W4 H5 U. L原文连接：http://www.szw86.com/thread-9831-1-1.html