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
9 i" {8 q; k) k3 D3 ?& A3 n/ g
防止网站被爬虫抓取的方法有哪些

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？

+ L  j$ U' x$ J3 [6 ?一、分辨爬虫的善恶
" {1 _; h% r* [5 a: T# l! B
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。
- v4 s. |! H. k
+ Y( d$ d5 V  b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。
3 a/ j9 c! z3 L" W& R" X" N
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。
" m5 f& @2 Y2 e2 u
6 f) E4 d5 m) F2 `' @& h  X针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

( l4 q& |7 T0 e! R' _1.限制User-Agent字段

0 x3 e) s/ L; K- V0 L: j; r# dUser-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。

1 W" p& s" X: b$ n1 s# `8 D1 ZUser-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
& z3 u  J8 l/ s+ R- j( J- p/ G" a/ ?
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 M- T( s1 X& R. S8 p: N5 Z  Z5 V( ^% k
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。
% E4 S; ]1 f/ s1 Y' u
3. 添加验证码

+ {. [2 N# e8 i& {  Z7 x4 [# a( _5 m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。
, w( |$ o" s2 r, N. c9 c


# Y" K) Y6 E+ ?2 V/ B原文连接：http://www.szw86.com/thread-9831-1-1.html