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 ]6 a1 V; y
1 D% M% b4 r' z  G4 m2 F9 L防止网站被爬虫抓取的方法有哪些

5 Y4 `+ ~- A0 U* Z( Y' X) _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？

, q$ m0 b5 \# |' P( [' F, m5 M一、分辨爬虫的善恶

9 \" {8 F. A* K6 Z( T! Y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。
- @! ]* X" `2 K0 j9 _
, H1 h4 ?3 ^( ?: ]$ o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。
8 ~; |0 q. l  L5 Z' u% y: e, 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。
# |! n, g4 c; \: }
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
; d+ p! E% |0 w
  n& y' G2 j2 t+ @( n  x1.限制User-Agent字段

: s, Z  o/ [9 m0 z2 Q1 ]8 M* BUser-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。

& B7 v! R* p' a) @/ C; s! @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。
+ @$ E" F' w( n- Y+ N, a' J; A
( n3 j5 J4 Y1 N: z0 J2.限制IP

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。
7 ?5 t9 ?/ @: |& k4 \7 N
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 o+ d6 Y3 w9 }: w) L3. 添加验证码
8 G9 C+ A, A* l
0 D# I! ^( j2 g: q. q- 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。


9 f+ x! l* r9 v' K3 r' R
原文连接：http://www.szw86.com/thread-9831-1-1.html