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
# p0 W9 `. @  [5 L6 d
防止网站被爬虫抓取的方法有哪些
- R9 i( q9 I2 `
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？
' w" Q; Q5 x* N! ]4 k, v  c# L
一、分辨爬虫的善恶

. W1 a2 n# k9 O0 j9 s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。
$ c% T) V5 s+ A$ T5 ?/ S4 ?8 _& T- B
$ |( J/ i/ D- K/ _二、如何防止网站被爬虫？
& K3 ]2 t1 x9 e1 i1 L/ w0 @7 c! I
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! t; \: u* S0 |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。
% Z& ^, |- W8 v1 N2 u. c
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1.限制User-Agent字段
. t+ `! C4 D% N% y, [
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。

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 [  O% n( B8 h, y1 B! }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。
& J; u8 R6 a' d
4 q; {8 R1 l! P. z5 h$ w3. 添加验证码

9 s" A; m; E/ Q0 S3 ^9 G8 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。
9 C! {! I6 {: ?. L6 z( b
+ S$ Q4 r- |5 N/ ~. y
* ?7 X) Z' `. x+ }5 v, G
0 R; i/ z' M1 E! g6 d! j原文连接：http://www.szw86.com/thread-9831-1-1.html