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

; }; u; E8 @' Y6 R防止网站被爬虫抓取的方法有哪些
% C9 v" G' A+ @* x2 z# L
4 r% C' e" O1 U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？
" r# n2 C. t$ k9 X9 A' D
- ~0 {+ w9 q+ {/ v8 N9 W一、分辨爬虫的善恶

4 S# I9 g+ c" O8 k5 `3 r( n1 y4 P0 Q) J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。

$ K8 Y  |" }" y, b& I8 O: E2 H* E' `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。

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。
. j) O1 f, u6 g6 g( I8 P, Z' L* c
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

5 }7 I$ J/ F" K2 i. L5 m1.限制User-Agent字段
* }8 L  ?( |( c/ p6 @" b/ o6 U7 {. O
' |2 j& O4 D0 @: qUser-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。

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
) s0 C" f3 H2 s, k% p
. u4 }- R" \% ^6 d$ T# {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。
' y3 b, p- W6 L1 h: p) Z6 s
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。

$ w" b) ?; @$ T- I' Y# V3. 添加验证码

' p- B9 a; s4 K) m  {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。
! x6 j  Z8 E# A) s8 Y
: F% D& C9 ?, b; D$ R

原文连接：http://www.szw86.com/thread-9831-1-1.html