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
0 E3 [- a5 D  X
防止网站被爬虫抓取的方法有哪些

0 i& _3 E  u; g- 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？
( j# d4 h  q; w. k8 i
一、分辨爬虫的善恶

9 s) t1 b% X; \/ t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。

( Q3 t5 y5 p, z, z$ C, x/ \二、如何防止网站被爬虫？
, U* k$ ~4 v$ O; H7 x6 A  R  X
' t8 Q1 M# F8 l2 l6 ?, d& s* G% Y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。
4 {1 K- E+ c* r. d
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。
; u) D# @+ z% y6 S) A4 e
; i2 W. p0 _+ N针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
+ l# u* W, k" H. ?4 P; ~. n, m  Y
: j7 D7 k# ]+ H* V+ b: B1.限制User-Agent字段

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。
; l5 g5 ^6 e/ h1 w6 X% s7 r* A
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。
' N( h' a0 |; B' z$ `% u* D7 g2 A
: g+ i0 q1 l; I0 [% S0 N2.限制IP

8 A. N: a" [) q' a# _$ v0 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。
# g, B5 k3 {1 J# M& N7 H
$ D& E2 t. u5 g, P0 v) b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。

$ ~& d* `' c6 e6 r3. 添加验证码

2 I+ M9 K% [- ]; R& c1 W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。
5 Q6 O0 d& [8 `6 ]3 v


  D0 N8 ?* s( M, n8 n* P$ X4 Z原文连接：http://www.szw86.com/thread-9831-1-1.html