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 g5 ~  {9 O# b& n3 z2 r; s$ C5 m  i
' \& h2 T( e/ T" K' ]3 q) v. ^防止网站被爬虫抓取的方法有哪些
0 u! D: y1 A1 g4 L
; g& T; Y+ Z7 I! U  E% Y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？

5 @, M" ]' v. P3 ~) F一、分辨爬虫的善恶
6 r" L; K7 F, }( g( d! l) N
# c0 |$ Y4 y- }# Q$ i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 v( [+ r7 G( }( X
( h8 h; ]& s: I5 j8 y# s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。
6 h# n4 [- C/ p3 R$ q, x
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。

$ I+ B4 j% z, M; S" Q. R( x针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

# p, @$ S* K) x1.限制User-Agent字段
( _1 I" O# F8 c' c
9 W4 N3 |! s8 N: ^3 ~" _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。
5 v% H. v1 T0 y: g4 @
% U, Z6 W4 ^) Q, qUser-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。
" U) K# j0 A; @2 |6 f
2.限制IP

: N7 V+ g- h9 K, t/ T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。

, M8 |" t  ^) p7 i( 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

4 Q1 [- c- t( {% c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。

; r1 M8 `" }- _$ O- X- m/ C
0 }. t- z7 W" N2 j/ Q% c6 D+ o8 N
- y- U* l% v; A2 j6 _原文连接：http://www.szw86.com/thread-9831-1-1.html