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
9 j" \& q  @% [7 c+ N! D
防止网站被爬虫抓取的方法有哪些
+ [% ]; v' {, M% K, Z$ W3 k6 X% f
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？

% ~% c- n" j) z" V( y2 G一、分辨爬虫的善恶

) g1 C  R; J8 z7 Z5 |9 U' C4 k( J1 f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。
. c9 I4 R8 ?* L6 Q- i
二、如何防止网站被爬虫？

: H3 L! n+ e0 M/ l7 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。
$ A. N7 o, O& @
# j# @9 Y) r; h9 S3 h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。
  a, C4 k- k4 h" v) m
- X* J5 X4 F& F针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
1 R3 l- L6 x  E, {8 L
1.限制User-Agent字段
3 y) o: [3 h# \( m2 E& H
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。
2 i- G1 s: F4 K* A( f: u; K
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。
0 P$ f  Q/ B- `7 M+ J
2.限制IP
* R5 B  o, Q# A0 L( j
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。

  K" p; _7 p' a4 ~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 B- ?8 u- @9 k5 x$ z
3. 添加验证码

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 V! W# b( h& o  }# u
+ d/ Q+ B+ `7 c5 \+ Y原文连接：http://www.szw86.com/thread-9831-1-1.html