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
* H  V5 ]  p  W% T
防止网站被爬虫抓取的方法有哪些
/ ~% _  }$ {5 c8 l* t
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？

9 S: B$ G, J6 _" T9 E8 L7 i一、分辨爬虫的善恶
! \* d  t& Q5 n1 k- i9 D2 S) A. n
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。
5 K8 F0 D, v8 i0 `8 H2 B' ?; ?
+ S- r' X$ A2 c! Q0 ?二、如何防止网站被爬虫？
; A9 X/ I. _& H2 ?6 c2 X+ x
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。
7 O0 J' g. C1 o7 p) W
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。
; O& @; ^. E0 z: K9 P# u
. J+ f2 {8 y( D9 V; A6 K1.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。

6 Q- w" R; f9 u, F; \# QUser-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。
0 t6 @8 y$ _" T( i# h  b/ F
# @' Z, [8 r5 Z" B" g! z2.限制IP
5 b, q5 ]7 g6 i2 Q. b& o" U6 {/ D
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。
0 \" J6 z/ `4 Z$ m8 E3 O# i: P& e
" j& u1 k  V; j1 T3 f4 S) a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。

& m# j, }* z& J$ C+ ?: J3. 添加验证码
' o# f6 |+ E! c
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 b. `5 c# l- g  e

1 H$ A7 E3 ?% f$ t
原文连接：http://www.szw86.com/thread-9831-1-1.html