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 g" l3 u8 K3 ^; Z8 j" U
- N5 |3 @! J; w/ {% v% r. k防止网站被爬虫抓取的方法有哪些
5 X; }5 @" M5 K0 ^# |) H' a" F' O, y
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？

. _8 h# J: D( d! V* z& F, s一、分辨爬虫的善恶
8 L' s+ g% b* G2 X, S( G4 o
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。
( q) o! q6 f7 h
二、如何防止网站被爬虫？
* K  E& D# L  E4 T; k
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。
! l9 p$ ^) U6 m9 A8 U. `; m
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。
1 w( i5 h% M9 Q+ j
+ b% N: W1 o$ g3 R9 y1.限制User-Agent字段

9 n7 ?9 Z; Q  c- g# S: _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。
6 _$ y# k" |, a% p6 m0 T- [4 V8 K
- A& c( O; H7 D+ F/ 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。

2.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。
6 g3 D6 W4 D8 ~0 \
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。
1 S5 p$ U7 ^9 l7 m2 ]
$ t+ }1 q% U) B5 N! b3. 添加验证码
% g7 V+ P/ A3 H1 x
- n- ]6 h$ J, f" m9 a$ y$ h! 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。

/ C9 L3 R0 I8 z
# L4 s0 I2 i+ F, l5 P4 D$ ]
$ f% P: F% d0 w' d6 _4 D6 I原文连接：http://www.szw86.com/thread-9831-1-1.html