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
: ?, p, ~4 ^; X% B0 u" x+ ^1 ~
防止网站被爬虫抓取的方法有哪些
/ A. f9 F) \0 y2 ?% y* z8 d/ I% D
4 ~" Z3 M( e8 W- S' x$ Q9 \  }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？

一、分辨爬虫的善恶
3 v% \: {- K- [) d- v1 _! n7 E2 O$ J
/ O0 q& k/ g/ f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。

8 }9 K% y, j: ^( e" a二、如何防止网站被爬虫？

$ A( V7 z" I- I" K; o& B1 Y- q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。

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。

! ~4 l# x' }/ j" `9 d1.限制User-Agent字段
# A+ [- T, d$ N
' ~: N; g# M  M$ m: E6 }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。
6 I- F# K' {3 Y9 I' e/ U% p; ~
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。
9 c1 o" j& @" y# r8 }' s% M
, X3 |+ Z. I4 m; |7 t# X2.限制IP
, d) k$ C% m. W# F1 X2 t$ A1 @
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 x. }; D% s4 q9 j+ ^7 X' _" }7 |/ |
1 U( S3 Y( M% I5 J3 ?0 w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。

3. 添加验证码

. I% r: @( y! @2 k9 C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。



, z  b0 U4 ~' I+ P- F3 T原文连接：http://www.szw86.com/thread-9831-1-1.html