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
/ s# \! r, {  t3 q* n; s
防止网站被爬虫抓取的方法有哪些
' u' t4 y" U; V0 c9 q7 x: ?
7 c/ O6 @8 o  {) E$ v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？
, f. m, L3 c1 X; k6 l! \7 p
+ g! ~2 z+ M9 w+ l% F8 d0 j; c. s一、分辨爬虫的善恶

! j' }) }% y) q+ U  k3 G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？

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。
; B1 ]3 _+ H& ]( z5 c0 M
# ?: U& q# j+ R3 T8 D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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
- W4 @; `: L- n6 d8 f& O
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。
0 l! \- T- ~8 T; o% R
, Z' @# T. `( dUser-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
6 x. q! O* {* H
! \) f6 p5 e1 {8 D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。
" p; t% M/ A( _3 z/ W# y
  v3 B) @, n' Y& r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。

2 Y% d* h* R$ Q3 l0 @3. 添加验证码
* @. t1 Y1 ~0 v
% z0 d1 P% F* J/ N' U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。

; l. d7 m4 b- B% p

原文连接：http://www.szw86.com/thread-9831-1-1.html