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
1 p3 m+ n% M2 E9 l0 k% h0 f% D
/ J/ S3 _$ v  d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？

一、分辨爬虫的善恶
& F* d2 T7 s" M+ Z5 `2 F
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。

3 y1 o. H. g+ m二、如何防止网站被爬虫？
) t6 q* a, o1 s' G. I3 a# N; }$ c
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。
# ^7 |# ?1 R3 Z6 t/ C
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。
4 a0 W3 J& y/ H; f
5 V- a# h' R% l针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
( U- S( |$ }5 W7 i0 W% I% C
! e* k" O2 B) X) M& m; E$ y! C: A1.限制User-Agent字段
7 W# a& ~& Q2 B3 X6 N
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。
( {; \( v/ f* Z
. Y  L4 p; m$ r8 E& i( ]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。

" }6 ?8 X' `7 Y' c2.限制IP
: S& _! @1 f, L% e4 _3 {# t
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。
) D7 u8 u0 [/ O1 g) ?9 Z6 B
3. 添加验证码

% |3 c6 N) `/ W, B2 {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。


# F, U" V! E1 t$ I9 q
原文连接：http://www.szw86.com/thread-9831-1-1.html