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
! B- P' r+ v% L6 g* a1 _7 i
0 F$ g8 H% Q* a$ e* J9 c防止网站被爬虫抓取的方法有哪些
3 D. N+ b; \- 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？

3 }2 ]0 T3 g' P+ e' [一、分辨爬虫的善恶
' r. t9 h0 K9 z, U' P
& i- v+ y4 V% z% ~4 N! [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？

5 o6 Y* g; f6 c# Z) l8 J' a# Y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。

3 |$ |% f0 S' R6 {3 M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。
# q& R: Y+ e) ?4 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

7 W5 G/ b: r& Y8 mUser-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。

2 b) ]% a; t( u% M, I  y2.限制IP
+ X/ r" V! Q5 C
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。
# {% Z8 \: @( b* Y2 T
' s& y- K" A1 D& ^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。
9 n$ e& r* I/ c2 C) V+ x) g
3 u! A3 W9 C+ U& T3. 添加验证码
. W# {* z3 j, 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。

1 i7 V+ c1 r* Y
) l/ O2 \5 T! N& c% P( C
原文连接：http://www.szw86.com/thread-9831-1-1.html