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
& e. M  z# F" L3 D: R; b
8 U  S8 j3 o' y# N& r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？
" L" Q0 y' k/ Y  c2 I1 R
! _/ C% _! W1 Z* s3 K3 h一、分辨爬虫的善恶
( i2 i. E! L, i
5 s1 k8 u! E8 w* [- c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。

二、如何防止网站被爬虫？
5 h% g( N. e. n9 j' |1 X
- y/ `! v0 R1 Z8 Q2 Q& E9 G* L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。

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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

% d+ ^: R5 O5 K* f) I( q* E1.限制User-Agent字段
7 x$ E: T: S! U8 e
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。
  v2 U, @4 v6 M. V2 i( n+ ^( s9 N
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。

2.限制IP
8 I* }, k8 _) @! B, q! a
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。
3 B* e% u# H7 H
: j' S3 y% b9 k; Z& z# z5 a3 e. a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。
, v7 W$ @' i" o% Q) s# y  D
3. 添加验证码
2 R% G, f7 e' R: j; y2 Z/ v
9 k7 |% n# _% |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 Y) ]0 c1 O! Z

1 W) S7 C4 X( o$ [+ c9 o
原文连接：http://www.szw86.com/thread-9831-1-1.html