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
$ M1 p, F" ]9 d* {
防止网站被爬虫抓取的方法有哪些

) I/ J8 W) K3 V4 ~" i2 D% w7 J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？
! N. [9 y; w- K, u
一、分辨爬虫的善恶

$ y1 {0 ]9 u  J* t- G: ?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。

; E$ v9 R* c: X( D二、如何防止网站被爬虫？
  \1 E  G2 B* W0 l4 p
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。

& L: @  D; S8 O  T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* N1 e; U8 P: v5 D
: P& O* U3 z* b2 d) z) ~针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
5 S' a$ f! @* V! Q& Q" g" q
1.限制User-Agent字段
0 E% B1 a3 [0 T- [1 l; s$ M9 W2 f% p
( Y) ^# |$ w( k* F, 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。

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。
0 w, B( m, T! B* A% o4 {
2.限制IP

* D; G, O$ @+ `4 t$ I5 {% S3 m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。
* ^& E1 ?( ~* r7 o/ ~
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。
0 m" Q2 Y9 C1 {2 \
3. 添加验证码
3 |0 H) }1 L4 r6 j' H
' a% J, c, V# ]# x; B3 [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。


2 @1 n5 p- y5 X# ^
原文连接：http://www.szw86.com/thread-9831-1-1.html