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
  }: j7 F7 T# }/ \- q) k9 }
防止网站被爬虫抓取的方法有哪些

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？
! c3 _- b6 o$ l/ `3 H  |
0 k1 i3 o4 p" }( V* K一、分辨爬虫的善恶
1 K) @" ^$ |/ N0 h/ v, Z
/ e; _( |4 e9 @, T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。
; }+ d3 B9 X% k3 @$ L7 T) a) v
! T3 a' d$ g; t: p3 S: d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。
1 Z4 c7 e- B: V6 h
; X, h9 H' \0 F5 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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
! `6 m( t1 l7 L4 `7 ?
7 Z/ M( ?2 s% j* y3 v% c  X1.限制User-Agent字段
7 l5 P: D( t  q; ~! L
! S, @- l6 X1 t% B4 f  r1 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。

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。

- {( W7 _6 p5 C) T: @% L2.限制IP

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。
, O8 d9 C- ~, A( j" j$ A
3. 添加验证码

" m7 [, N/ u* T( z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。
2 `# Q' |9 r% u3 w# A2 Q/ @/ f8 B
1 ?. g* V2 ]; a- a0 h8 A3 z

原文连接：http://www.szw86.com/thread-9831-1-1.html