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
2 g5 V: S# k: X# ^7 F" }- ]
防止网站被爬虫抓取的方法有哪些
0 H# I4 O. R7 d, V0 V5 Y: G
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？

. K- }3 Q3 n- X* v( h一、分辨爬虫的善恶

4 K6 ?6 N% a; P2 B  }* [# @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。
7 B/ C3 o: T% J, }
! N& A6 f" Q. p8 X2 `9 @6 N4 e二、如何防止网站被爬虫？
! c1 B, G8 \4 G+ ]
0 u' p0 p+ B3 r' w1 Y8 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。

$ N1 t/ h: B; H$ T4 p4 n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。
" I# A' S% P& q; X6 ^- R
1.限制User-Agent字段

6 M4 B# B1 N/ A* ^: TUser-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。

1 ?7 L+ \. ]) J$ E7 m* z9 D! wUser-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 J. M  y5 r1 T( Z4 w: q; a
2.限制IP
. v5 J' U/ j4 X
) z" A: m* d. d! z% C: o9 M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。

$ H% H! T- i5 I0 G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。

4 N, l* |/ V# a' K1 W3. 添加验证码
* K  u* q( Y( M
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。
: ?9 v' F4 U! R: t: I
: @! W: @/ e9 U: Z% _

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