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

" F; ]6 f0 _& W, m6 a防止网站被爬虫抓取的方法有哪些
8 \( B1 B3 _1 A) v6 {3 D+ h, y
4 J# Q! O7 ?3 P1 \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？

0 x1 `' y7 L) y一、分辨爬虫的善恶
( t# S0 G9 e( B
8 o1 }5 B' E% Q3 R; Q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。
5 ?# B7 I& _5 G* J% B7 U9 e
0 }' ]7 K# ?6 n) ^  q二、如何防止网站被爬虫？
  }/ x. x  v* V6 k* ^
2 D+ V/ L% o0 G# N  L' ~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。

3 z( J: v  H8 y" t( H0 w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。

1.限制User-Agent字段
7 p1 i2 J' `3 h  J# ?
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 P9 N6 t# h" ~) D# F. z
4 g+ o! r: }: g; Z8 o% J1 \4 _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。
& v1 g! u- ~; \8 ^  M
, ~0 ~! C( B# {3 K7 F' v2.限制IP
2 c: q/ y( w, G7 _
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。

+ ?1 f( B3 n3 b/ K1 l, ^6 N) B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。
, S( S' k" X) S) J$ ~8 i7 q
0 I8 Q8 ?& M5 T$ t3. 添加验证码
0 J) T! F9 O3 w1 m; k3 j- b
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。
3 Z% G1 q) Y# [6 f% }6 ~- J


8 X* v8 F' X7 I原文连接：http://www.szw86.com/thread-9831-1-1.html