反爬虫的重点：识别爬虫

我们在网站运营的时候，最大的问题就是：我们自己花费几个小时甚至是几天辛辛苦苦创作作的内容，被爬虫只需要 1s 就抓去了。为了保卫我们创作的成果，也为了网站的稳定运行，我们需要对爬虫说：No，我们在反爬虫的过程中最重要的就是如何识别爬虫。

为了识别识别爬虫，常用的有以下几个方法：

真人检测

所谓的真人检测也就是出现一个验证码，让你输入验证码的内容，这些验证码对于人类来说很容易识别，但是对于机器来说却很难识别，例如这种验证码：

图像识别验证码

这种验证码只有人类很轻易识别，爬虫却很难识别。

滑块类验证码

这里验证码对于人类来说也很友好，我们只需要将滑块移到一个阴影的位置，例如下面这种：

滑块验证码

这类验证码对于人来来说轻而易举，但是对于爬虫来说有一定难度，但是也是可以破解的。

这些在一些特殊场合的确是可以防止爬虫对于你创作内容的抓取，但是你成功的防止了恶意爬虫，也成功的防止了搜索引擎爬虫来抓取你的内容。

**我们为什么要允许搜索引擎爬虫来抓取我们的内容？**

这个主要是由于搜索引擎可以给我带来流量，有了流量我们就可以想办法变现，有没有嗅到金钱的味道。

例如我们在百度搜索：爬虫识别，并点击了我的网站，就有访客访问网站，就给网站带来了流量。

百度搜索爬虫识别结果

那百度怎么知道我们网站上有什么内容呢？

百度搜索引擎每天有成千上万的爬虫在互联网上抓取内容，并将百度爬虫抓取的内容存入自己的索引之中，在根据一定的算法为每个网页排名，之后用户搜索相应的关键词之后，有可能会到达你网站，就会给你带来流量。

这就是为什么我们不能屏蔽搜索引擎爬虫的原因了，如果你像屏蔽其他爬虫一样屏蔽搜索引擎爬虫，那么搜索引擎爬虫将无法抓取你网站的内容，就不会在搜索结果中展示你的网站，也不会为你带来任何流量。

那现在有一个问题就是，我们既要屏蔽一些恶意爬虫，又不能屏蔽搜索引擎爬虫，我真的好难呀！

为了解决这个问题，我们可以使用爬虫识别这个网站来解决上面的问题。

首先我们需要根据 User-agent 先过滤掉一部分恶意爬虫，搜索引擎的 User-agent 我们可以在这里查看：搜索引擎爬虫

这里收集和整理了市面上大部分搜索引擎的 User-agent 与 IP 地址，例如下面是百度蜘蛛的 User-agent：

百度蜘蛛的 User-agent

通过比对 User-agent 我们可以初步判断是不是搜索引擎的爬虫，但是 User-agent 是可以轻易伪造的，所以我们还需要配合 IP 来识别爬虫是否是真实的。

我们只需要到爬虫 IP 查询输入 IP 就可以知道这个是不是伪造爬虫了。

总结

这篇文章首先从验证码开始如何防止爬虫抓取我们网站，但是我们又不能屏蔽所有爬虫抓取我们网站，我们如何通过 User-agent 与 IP 结合的方式判断是搜索引擎爬虫，并让其抓取我们网站。