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
% u2 }: o: E. Q7 R! c& v: r
防止网站被爬虫抓取的方法有哪些

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
# g8 W- g" h! T" n
; g4 K6 _1 p! f; e7 @' T7 w# s% @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。

6 m" C- ]- f7 \! S- _5 B* V二、如何防止网站被爬虫？
2 G" r% P" z0 J0 @9 ^0 I
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。
0 y- i& _% d, i  _( S8 a3 c
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, ^' U; E9 |/ p* H
1.限制User-Agent字段
$ v' o5 [+ K. ~! }: x* T& N
& }6 a" Z  L& q0 ^$ MUser-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。
. l- u0 \# |/ f% h9 s% t2 T+ j
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

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。
4 M! C4 b% j" }& ~! g9 G
0 m) S9 m  @7 x3. 添加验证码
4 C* T3 z  n5 \* [1 i6 A" {
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 f9 V3 A/ O" ^7 W
/ g( Y5 C: Y, m3 d/ h3 A0 U0 `$ j

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