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
+ b- S. I0 h) H) S" Z
防止网站被爬虫抓取的方法有哪些

; D" K9 E8 \2 j+ K7 H! b7 Q6 R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？
3 E& K* V2 s8 {. {+ i
: x" }) S% l  b一、分辨爬虫的善恶
( n4 V* }# o; g
4 m' X$ a" W( F* r9 d: f, M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。
  O5 @* z! D$ \6 d, 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。
" `& b) }/ e1 S, Q& j# A& B% J! U1 @
- p/ {  w5 @" c4 `3 t, U& n针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
2 K* R7 m1 f: J( I
$ l$ j# F( J3 P6 w1.限制User-Agent字段
* J3 x5 o' h' y/ m# z
2 c) O# x& s/ x  Y  N  LUser-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。

. w) f" l/ O' z- P- e/ AUser-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。

2.限制IP
5 o9 a. D  D. r6 X- c; D9 p4 k
" }( w9 _/ o3 u6 U% P/ t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。

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。
4 @0 w5 s6 y+ Z' V+ V: W# r. a
3. 添加验证码
) v& Z5 P  B1 M
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。
7 M7 D$ m& t& Y5 W+ C7 `
% M) P9 O/ g7 Y" \; d5 ~9 q

原文连接：http://www.szw86.com/thread-9831-1-1.html