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
. w/ C. ?9 L; \' G& [
防止网站被爬虫抓取的方法有哪些

2 v) k8 j! |# N# b7 u6 _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？
% D. W$ p# c0 R. i
一、分辨爬虫的善恶
0 @8 R% G' Q) O
) b+ q! e2 D* R* o4 c; z* u) m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。

6 S3 ^; B1 ?7 c, X二、如何防止网站被爬虫？

7 F( ]2 {9 K+ g" S5 I8 S# j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。
8 @1 [7 C+ e2 X
0 L6 }4 \5 J7 I0 P0 W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。
- m% f$ x. A& ]4 [3 j3 i! w( C
1.限制User-Agent字段
8 r+ _2 {+ C8 A; N4 R0 e- k
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。
! e; N$ N! Y( S$ g
  _- J$ N1 |3 Q7 q0 g+ l& [) ]$ A2.限制IP
" j' A2 T+ Z$ ?8 |' d& F9 y
8 v9 e" @2 j( E+ |! D5 b( K! ?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。

% y8 J. n( q& V& M( `! O8 t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。
4 t! p6 E3 Q, q5 V* j* l, f
7 a, L: B3 Y9 y' F+ f2 j6 R' f3. 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。
1 s8 Z; k  f9 i$ w
% Q0 w0 o1 w5 L7 O. M. o& [$ k
& [/ c4 l  Z5 Q
; p3 G2 I( M, h) T, S9 f) v" a1 ?原文连接：http://www.szw86.com/thread-9831-1-1.html