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
* l  l# i2 X/ J9 e& `- j( O
9 P) t6 S3 q8 Y' R防止网站被爬虫抓取的方法有哪些

# h4 t1 ]4 E1 y7 M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？

& R* O4 C2 B2 H) q3 C: U+ _& a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。
5 {' A2 q$ s. G1 L
: }0 ~6 h( q5 j# ^5 {二、如何防止网站被爬虫？

" B+ Q! h! b5 c) N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。

& [6 Q% Y) ^) P1 {' 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。
& f  m3 o/ U! c' @, B" c* A+ T
! F* I$ A9 u7 P* j- F( b" b% Q  p针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

6 P# H; Z- r, y6 `( H1.限制User-Agent字段
. ^. j1 A( i! P* W) O: Y4 _
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。

( k4 b2 x% @' J& GUser-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。
9 T  t1 ~5 v- @) ~8 Z. a
2.限制IP
  D! `3 X/ x* |6 X
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。

" d  _" p* z! ]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。
! B# i; T$ e+ N. a' ^
$ G7 S4 E$ Y! F% E3. 添加验证码
. P5 X2 U/ d/ |
7 K5 d- A2 S6 |; p# ^: t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 }9 {6 b9 ^+ q8 S
原文连接：http://www.szw86.com/thread-9831-1-1.html