嘟嘟社区| 当今互联网一大抄，搜索引擎遍布重复内容，大站采集小站，小站苟延残喘，作为一名网站主该如何杜绝爬虫，防止内容被抓取呢？附送私家内容：采集三大绝招。
本文来自著名MJJ论坛ID: 委员，仅供参考，本篇内容无版权，任意COPY，所引起的任何法律纠纷与本ID无关。 防采集三大招 1、防采集三大招第一招之加钱可及 最简单直接的方法，在DNS层面过滤爬虫IP，Dnspod付费版提供了分线路解析，针对机房IP解析到127.0.0.1。很多大站采用了这种方式，可以规避大部分垃圾国内爬虫。 2、防采集三大招第二招之触不可及 通过user_agent判断特征码过滤蜘蛛，主要针对国外数据收集爬虫，有些蜘蛛真的是玩命爬，很容易造成宕机。Nginx 配置代码
复制代码 简单说明下，一般蜘蛛都会有bot或者Spider特征码，比如Baiduspider，过滤掉不需要的非主流蜘蛛，还有些是Python和Go写的爬虫，用的默认头，也可以过滤掉。 高级玩法： Bash脚本定期分析black.log日志，提取垃圾蜘蛛IP加到Iptables，把蜘蛛拦截在防火墙外，效率更高。 当然你也可以和我抬杠说，我伪造user_agent爬不就得了，但是IP是不可能伪造的，比如百度蜘蛛就beijing和山西两个IP归属地，作为网站站长养成看日志的习惯，人工判断才是最有效的。 3、防采集三大招第三招之一触即发 在Nginx中限制Ip爬取频率，限制同一IP最大并发数和爬取速率，但这种方式有可能误伤。 在nginx.conf里的http{}里加上如下代码：
复制代码 在需要限制并发数和下载带宽的网站配置server{}里加上如下代码：
复制代码 补充下参数说明： 私家内容：采集三大绝招 这里仅讨论Python采集思路，高i铁头这种门槛较低，只适合小规模爬内容。 1、Selenium WebDrive Selenium WebDriver本用于web应用程序的自动化测试，因为是通过浏览器的驱动（web driver）来驱动操作浏览器，所以可以100%的模拟浏览器的行为，主要针对一些有交互动作的站，比如下拉才能显示内容的。因为涉及内容较多，有兴趣的可以自行Google，这里分享个自用函数。
复制代码 2、fake_useragent 伪造浏览器特征 前面也说了可以通过特征码屏蔽爬虫，反过来也可以伪造浏览器特征码，推荐fake_useragent，使用方法：
复制代码 3、无论是模拟浏览器还是随机浏览头，都容易因为爬取过多被屏蔽IP，比如百度下面的栏目，几乎都作了IP限制，最多爬个几千条就会被Ban，这时候就要用到另一神器动态IP代*理，可以自建代*理池，也可以用现成的，这里只说使用方法：
复制代码 随机UserAgen+动态IP，只要池子足够大基本可以做到百战百胜，无所不能爬，如果有验证码，还要把验证码识别加进去，这就是更高级的玩法了。 |
| 好贴 mark |
@cpuer 进来学习 |
| 其实直接找个比较全的IDC机房IP端全给屏蔽了就差不多了，但是也会把搜索引擎IP也给拦住。然后后端接入第三方防爬虫与风控系统。 |
| 好文！支持多发技术贴 |
 采集偶尔用用都是高铁，Selenium WebDrive还没用过。。。。 |
最大的绝招，在自己的文章里加入大量违禁词语，等被采集以后，再编辑掉。 |
对面还没来得及采集，你先进去了 |
| 作个记号 |
其实如果是用Cloudflare的话，直接就可以一键在防火墙里面开启防止自动程序，非常方便。还可以设置防火墙屏蔽相关IP，签名站https://bks.thefuture.top 就用这种方法，感觉效果应该还行，目前没发现有人能顺利大量的爬取。QB{AQI6JL1%5DN%CZW(O9.png) |