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

- [4 }+ F; O! F防止网站被爬虫抓取的方法有哪些
7 u2 }1 R1 J  @# I
# C# M: f# D! a3 A! X# V7 l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？

1 s! m% J$ Y, f4 ?! M一、分辨爬虫的善恶
2 l1 Q! n" o' ~+ K3 ]  K0 e3 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. v4 r; \0 R7 y6 F* T8 c+ N5 S* E
  y" N5 X9 n7 O3 n+ g二、如何防止网站被爬虫？
/ b; r- r& p3 z+ l: u) O9 N4 n
  |. m9 E6 i( z" `, q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。
: K7 g& [, N$ `" n
9 I, i" P- v& H' n+ M: S" i, E6 {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。

* L3 Q" M! M% d2 r, ]2 Z) Y针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
$ v0 d# C9 w) P0 U
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。

# [. ?$ W: \% u3 _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。

2.限制IP
2 h/ }9 g8 w& l3 O
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 ?4 k8 h6 l& q3 C( q
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

! O; L0 l  l" H0 H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。

& d4 F( v( M) G/ D% A9 N. {9 n9 P* y+ O
8 Y; o# e7 h0 S( q6 _
原文连接：http://www.szw86.com/thread-9831-1-1.html