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
: O: V/ {) A1 b
防止网站被爬虫抓取的方法有哪些
) q- {. ~2 X* u9 y" W
' z. Y$ q# R% 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？

8 J2 i( }; z( a% f, C. W一、分辨爬虫的善恶

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。

7 u7 D. C1 s! P二、如何防止网站被爬虫？

8 y! I8 Y2 C# C, \6 l6 I; u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。
' e* n  V4 M. _/ F, q
% x# Y5 O9 p7 t8 _+ U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。

, A" y) y  B- X& @# l3 j" {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

+ a+ E& E, i* I$ }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。
! D: h% q" |. b* N8 u2 r' w
) z# U1 |: o+ \3 n+ {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。

. i6 E. j' V. E. @' T2.限制IP
' k' _+ C! r! Q) f2 p
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 r- }/ g, H; p/ W7 |& U$ G2 Q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

. j. o. _! g; }7 D. r# U& n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。

3 P* S$ a( y: t8 x0 C

3 F$ z( k# k4 [3 l原文连接：http://www.szw86.com/thread-9831-1-1.html