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
3 Z4 p7 {8 U; v2 s
" w6 j0 V3 C. h$ x3 R7 E) m防止网站被爬虫抓取的方法有哪些

. D8 Y  s4 g& _$ J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？
$ H4 |4 ~+ [0 l4 L4 S
2 i' G' ]  H7 d5 S一、分辨爬虫的善恶
  U8 f5 t& ^8 G* k  K$ t
  j, w4 \* w& {) d8 P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。
$ \4 |. _" Q5 @9 `6 W
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。

4 A% o9 d" C; ]1 h/ 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。

8 s. f, y+ u& [/ t针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
& ~/ @1 W* d$ w9 \/ a1 h( U
4 c  o  l. m( W+ p4 y3 w7 y1.限制User-Agent字段

9 a0 }; j2 V) X6 Y) Y# ~; E9 RUser-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。
  E9 m7 J, L: I
' f/ I) b5 o# o' 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

: c$ \' q2 f4 k8 `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。

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

1 s' k" `. C4 C7 E" k, ^. p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。


% m2 e8 N% \& v. ?
原文连接：http://www.szw86.com/thread-9831-1-1.html