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
' x: M4 `8 E4 O8 F! W4 E
防止网站被爬虫抓取的方法有哪些
# [8 ^  Q/ }5 k9 d2 ?
, Z7 R$ \/ B$ r0 F& y. |& i/ Y  y1 U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？
6 _% Q# ?5 ]% d2 [
一、分辨爬虫的善恶
# I3 j% [2 F2 _- O2 S) b
$ k1 `0 e. p+ C. Y# [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。
# @* g: Y: z$ a3 S4 R
( ~& A: m+ p0 X8 b2 G$ u" Y5 Y二、如何防止网站被爬虫？
. ^: Q7 _! Q, I  x* K6 }, b3 ?
6 C  Z* S3 z' J& G, y: O% ]9 x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。

  u7 X$ S( H' A8 W2 P/ p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。
. C. |( Q; h+ |  _& M6 J
( p7 P7 j& R( L针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
" k  V, b$ p0 W2 e4 `: M
# C8 {7 ^' F- c  U4 d1.限制User-Agent字段

" J0 H0 L) e$ X+ Z+ g) cUser-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。
3 e, F& n( [, d- ^* s
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。

2.限制IP
: s) h4 ]9 }& e3 e. B
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。
0 y$ p5 `3 E9 h0 h
$ B, l5 A6 v- x# w$ M! e: X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。
$ a0 j+ d0 Y0 m7 R; O
' Q. m  i2 T1 H7 J# t, B3. 添加验证码
# G! Q6 {* X% i$ e/ v
) Q8 v, _/ J# M& T5 Z/ u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。

/ A9 T' _, P, P  O0 o

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