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

# j1 `/ _9 f) M, v防止网站被爬虫抓取的方法有哪些
- \6 J! p7 m  }# c
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？
' l8 _6 J5 m$ ^; y. P; r
一、分辨爬虫的善恶

. M8 a  |. d( d  z( e5 K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。

+ s6 V6 t% ]+ {9 @$ E# j2 m二、如何防止网站被爬虫？
4 ^& ?  r3 ]4 f, q8 A% F9 E
( K1 u8 K7 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。

% b, d! s" j9 I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。

; @% M2 q: W! F1 B8 k  M8 h针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

  t1 K/ u! {- T1.限制User-Agent字段
+ [# L2 G+ C+ D2 Y- x
  a1 y0 G6 A' |# j( v+ PUser-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。
9 S6 ]1 c, f- K( y
% q" n, T% a% m3 X% l. oUser-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。
- v( x3 @* G- x* F) n* S- o
2.限制IP
2 f9 Q) {: f1 N" T' s6 x. \' N7 Z) G  a. u7 j
  P7 }( i3 S6 L/ V  k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。
4 \/ L7 _$ D! z( u! g! ]
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

4 f  C- y0 U1 D$ \. ?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。


! {  Y* E# V; F$ @
原文连接：http://www.szw86.com/thread-9831-1-1.html