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
% j! s( j. `, F
% C8 i/ @' ?1 a, N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？
* x  F/ }) U5 N: l* i! {$ |  y/ ?1 g
% t' O7 \- P* e5 b. H% o# ~一、分辨爬虫的善恶
# K8 V0 \1 x( p5 m' @; V( d
$ R( l0 l0 J+ d$ e2 t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。

: T+ ^( L5 q/ F; j0 U二、如何防止网站被爬虫？

2 X" b! v, ]# u3 c- j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。
! u! m& L1 S6 i; s% L4 f4 R
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。
8 z1 H- U2 G8 w# J3 V) d' V3 I3 W" k
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。

% O4 f0 M/ q" p/ q: V4 ^4 W2.限制IP
' _1 ]1 g  L/ y3 ~% l2 z
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 R2 W# Z, v5 J* L) h8 z  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。

3. 添加验证码

  f, g6 L: Q- j- ~6 F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。

4 G* z* s. r" f, [0 m  W' I

6 ~* `. H% w  A3 }) u6 A8 s原文连接：http://www.szw86.com/thread-9831-1-1.html