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
: j4 T7 g' S! `- w
防止网站被爬虫抓取的方法有哪些
2 ~( |5 \: F- j% B# G9 H0 c7 g" 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？

( K* L8 }1 b! @2 B0 C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。

+ O* A; v+ T; \4 T6 A/ D二、如何防止网站被爬虫？
7 g% ]/ L) K! O/ d, d: {5 C
& [- n0 g2 A9 `: ?0 x9 q4 {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% W+ z$ ?. _# a' J9 c- U针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
0 E6 H) s  F4 w0 {
1.限制User-Agent字段
. \) w! b& d% |  N
4 }1 @3 `1 o* ^$ B, ~: y- S$ I1 y4 CUser-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。
& Z( S) \( G  P. H9 B) C
% `- U) b) O5 E( y9 `5 CUser-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。
. W/ J" g4 l, G2 J" A# z% ^5 o
* ~" v5 Q5 J2 z2 u7 k  r* E2.限制IP

! u. C1 P9 g  M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。
9 s1 U, y- }& h- L1 H/ y
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。

3. 添加验证码

& N0 I' ]% n# d0 T4 F: @/ D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。

% P+ T: c8 b8 T  f" H1 B. i
6 ]$ `" V2 b  V% D( ?
/ {. Z2 i1 G4 i  i; w原文连接：http://www.szw86.com/thread-9831-1-1.html