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

防止网站被爬虫抓取的方法有哪些

4 o9 k/ u- j0 `1 K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？
8 M: E8 \1 S3 t* U4 \5 I& H; ^) _
" d: g# a+ B; G$ ~* E( h6 w% e一、分辨爬虫的善恶
" W- q( B# |8 Y6 _
1 L8 Q1 d* Y5 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。
8 ~) U2 G5 F9 B
二、如何防止网站被爬虫？
0 p( _& j0 S& L$ z# c  K& A2 N
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。

$ @/ G3 h, l! G; J: L/ X针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
1 |/ H# Y( K2 |" N  Z# a8 u
1.限制User-Agent字段
0 t2 N4 i5 @. f6 z
+ z2 c+ q3 u2 @, L1 p3 o2 bUser-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。
0 m8 V6 L* q/ \8 @1 [' C2 I1 J
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。
: ^% v$ e5 B& a* ^
2.限制IP

0 M) l) G& H  Q( u% i8 k2 n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。

3. 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。
( H* n) H& @; K, m4 ^% q/ L

9 A0 x4 W# E; v1 E5 C0 X0 U
2 ^3 r! |# \; W3 p5 z. @6 t1 ~原文连接：http://www.szw86.com/thread-9831-1-1.html