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
7 J; ~% l4 h) P$ [  i3 L: t! g2 T
1 N* f- e+ s8 j1 @% \9 Z( _防止网站被爬虫抓取的方法有哪些

3 e- i/ u3 B% `6 A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 M3 I) x) T$ i- d' Q
一、分辨爬虫的善恶
2 ?0 w- q4 K! k/ }$ ^  t8 A
% p1 }6 ]3 v7 w, P8 o  L% @2 ^/ G# 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。
* k- k( u; |/ X# a
二、如何防止网站被爬虫？

1 l0 N1 \3 ~4 Q4 I" x0 f% M2 O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 d) w0 O( C
8 v- g' y. R% {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。
% s; r$ H/ C( M! D$ Q
1.限制User-Agent字段

- n7 R" u; l1 i# ?3 D+ ^9 \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。
8 f: b+ C% A7 n* l2 y
9 E! t! o1 r4 l' gUser-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

) l' Z0 E; I5 P) q- F2 a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。

0 o, I% U# p: f3 n* |3. 添加验证码

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。


7 l7 w; s; m# [* I0 n. y4 k# U8 K# x
原文连接：http://www.szw86.com/thread-9831-1-1.html