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

防止网站被爬虫抓取的方法有哪些
3 _- A# h' X  A; x
! [" c# m, T. J3 d- I& ?0 V/ C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？
9 b" D) T1 [0 A1 ~
一、分辨爬虫的善恶
- a6 ^- V- F9 p2 p
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。
9 I7 U# ]) q: Q5 Y% v
& t, t# i' j: p& a6 G) ?! M- Y$ {二、如何防止网站被爬虫？
2 y* V, k8 H! j- P" n. W: K# r
+ M8 p  j" T! x; N( c; d3 [& ]5 H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。

& I$ ^, i/ K( X) N  ]  `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。
9 ~6 ?' J7 o/ ~0 n8 t, P1 H+ g
1 E  ?  @4 g$ b6 _, P针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
; Z2 B4 c+ D+ x$ a+ S( q( l9 z
# e' W/ ]9 |6 t/ c0 t+ J$ }1 x1.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。

2 T4 @* o$ t' iUser-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。

; m5 ?+ b* N' f& X& g8 \# ]8 f9 a) p2.限制IP
& V$ |: r% H' F7 ]/ T
7 B0 V) H$ i% o$ E8 B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。
/ {1 {7 S0 G4 q. Q5 V3 m
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。

, L: L( c" v0 J5 G; z& E3. 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。


% I* m9 ~. r. Z' D. V* v+ Z0 c
6 y$ K# i9 S8 x# c: @* Y# I- B, j原文连接：http://www.szw86.com/thread-9831-1-1.html