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
8 U5 f3 G% X" V/ g, ]
. S% O. E9 ~; Q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？
2 V  s3 a2 X1 `5 q
一、分辨爬虫的善恶
9 I  i. H  @% v0 X. _7 X# a9 }
& o% k; o" K3 [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？

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。

) }) L0 V; q. \6 I0 P# r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。
5 V0 z0 ~4 l. l9 O
0 u3 s5 Y: Q% R5 k7 e针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
* `3 _* c; P# K4 P" H
1.限制User-Agent字段
! f6 ^5 y2 K0 @; j  |( {9 P
# t, P- b2 ]: V8 yUser-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。

8 W8 H" M0 n0 W9 U. W8 d" v3 X. IUser-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。

$ |" h; E, z* J7 i, A( e' O9 t$ |2.限制IP
! |. E6 {5 f; h( {" p5 G
. E6 h% t* g& C  @- P2 I* G4 t: 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。

; S# t! z1 j! K' \9 \, J/ D6 E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。
7 b9 g3 N2 _1 K0 H
3. 添加验证码
5 v- G; L3 g' R- w/ D
8 W4 T, ~1 s' ]$ r. q7 q( }# j% ]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。


. `/ g2 H2 y/ T
原文连接：http://www.szw86.com/thread-9831-1-1.html