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

2 g0 U* M3 e7 V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？
3 H4 J( d) s: M2 J$ Q
一、分辨爬虫的善恶

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。

. j/ S6 ~0 u. R0 s7 f4 e二、如何防止网站被爬虫？
3 s2 P+ j* v9 N8 K  }! M7 ~8 c+ ?1 [' V
8 R6 g& ]4 O3 M: `7 _6 s( [9 s2 v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。
/ `" [! x1 Q7 z8 j
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
) S, C1 Y9 D0 f( g, e/ k/ c
- l$ V& Y  W' Q! P& `- E1.限制User-Agent字段

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。
' s4 r/ j& `5 @
: x3 b( O- y6 t+ a* y, _0 GUser-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。
( i2 H3 c  m$ _. l1 j' [6 W
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。
4 ^# U9 \7 {) S, L0 t
% @% G& i& Q; f5 A3. 添加验证码
7 s+ Z4 h( ]0 T2 U6 v
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。
) q+ u; g1 ]+ e8 i- o  M8 P

" U7 f9 O: Y+ S' a# U/ [' T
# @" \0 d* a& p原文连接：http://www.szw86.com/thread-9831-1-1.html