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
" {& f9 [2 d& ~* h& ^# G3 d
* ]! y! V" c. o5 B: Z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？

4 }! p! z0 O9 _% |  [2 l一、分辨爬虫的善恶
- e/ S+ N8 {: @
0 E$ u3 \# z# x( r$ @4 x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。

& N7 ~' n, _9 k+ k6 }1 A; M& _二、如何防止网站被爬虫？
) u1 n+ g1 ^* U
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。

& {& Q0 U3 a4 r" [2 b/ s# Q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。

3 q  v- D& q9 o7 U- x针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
0 p3 K4 T. v* B' G
1.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。
1 r) Z3 _: v8 b+ f. k
* k/ F/ R1 n+ i. C) Y$ y3 [: UUser-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。
( [# _5 k  H. s! j- N- M
+ L  [$ e# B# g; F7 w2.限制IP
- t; E0 n8 M  c0 _+ _
9 g) N2 j% I5 Q* |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。
' c. x* `  e, ~' M) a% k  [# T
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。
  |" F  m& p. R" ^5 Z) Z9 `
) d. y( H8 c& c" ?# E) D7 r. Q" f. Z3. 添加验证码
# F( b) N: }8 Y
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。
# j4 _! v0 k  w. F  C( y/ _1 n

4 p- B" {2 c  F" M* ^  `5 `2 S
/ v% q) U1 ?: I; q& M3 e原文连接：http://www.szw86.com/thread-9831-1-1.html