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
. Z7 Z4 T; R3 m/ j# n' R  a
: T/ V+ K5 v# j4 y4 l( S* R, [6 w6 K防止网站被爬虫抓取的方法有哪些
0 C6 G$ n/ @' C; C
4 @2 T% e) ^! J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% m1 j  n! g* H. [, L一、分辨爬虫的善恶
  `: H2 T* F: q( y- r' a
8 H2 F/ x' d, C3 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？

& x+ r; {1 s/ ?" J9 [! `7 o+ g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。
+ ^* d* C6 b6 E' P! b% w
! D( d9 U. Q  D& j. X针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1.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。

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。

, [$ X, r  g/ e, |! M& M2.限制IP
4 j3 m6 V( \  _8 U: J+ c9 z
6 }! C4 }6 H2 {. I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。

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。
. I& U. M* ~3 q7 Q! O
3. 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。
& n1 Z% ]2 p4 a+ Q. D6 u
# D( I/ G; l! R' Q8 p" V
7 p, D2 B1 E2 Z( b/ F9 d- i
9 N' f/ V; ?5 E. h5 M& u原文连接：http://www.szw86.com/thread-9831-1-1.html