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
) g3 k% B, K" h! k- Y* W2 ?' P
防止网站被爬虫抓取的方法有哪些
5 H2 F$ e) l0 N; j/ h: k
1 b( v/ s! m1 W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

" |, ~2 m* J2 G- e0 s* H8 j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？
  K  M! o8 u, I) @
- q: g  B7 }: }" M1 X. P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。
2 s: I" I0 ?* r8 A; Z
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。
& E" C, D* C8 S, |
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
: M9 d2 }% \: e) e9 E
& s- K) W( L3 D9 K- ?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。
# n- {- f) z, j9 _+ d, c
1 F: j2 P" X0 C3 I9 b  m# W2.限制IP

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。
8 U. V1 z, b' k' Z0 ~6 X9 q
: B) c' q* Z# ]2 ?+ |+ L& z3 f5 o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

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。

! Z/ a- w  y2 G- [. l' W8 e
7 v; F# X& y. {  G& I( J
原文连接：http://www.szw86.com/thread-9831-1-1.html