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

% [; Q4 S+ R; L3 b: x, R" A防止网站被爬虫抓取的方法有哪些

+ h+ G$ N9 r/ d: R2 Y% O: E7 \, P* S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？

一、分辨爬虫的善恶
! ]) O' ^' J7 ]5 C& H
, `3 a7 @& o# V6 ^+ Q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？
2 U& {+ U' L. T! @2 J
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。
, ]; H: g# r/ v& e
8 e2 g. [& X7 R8 R8 k5 y5 s! S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。
: C/ {4 Z; l. U" i% m# D& g
6 O5 C! j* T0 [4 H: p针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

7 ?2 s  I) Q4 h. Y. C1.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。
) H" m6 F# Z, B. d: c) d) N. Y
: p- @( `% F/ C  SUser-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

6 n& a( ~5 O5 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。
+ U) i" t) r4 a* M* P
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。
9 w: D, ~! U) m6 O/ Y
! e1 I! D/ H  z1 X6 ^5 W- l8 C3. 添加验证码

$ x! z( P/ d& {! I) O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。
: F. ^5 k+ o3 O+ Y8 E1 R% ]  O
6 ^; G% Z5 P' j( }
) K7 u4 \4 o5 p0 [- t
$ b2 }5 d2 ~" p% `原文连接：http://www.szw86.com/thread-9831-1-1.html