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

防止网站被爬虫抓取的方法有哪些

$ R# t' e# {2 w) B' B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？

8 I. Q+ n1 j; {. C8 [$ J4 C一、分辨爬虫的善恶
) K. ?$ m( n" b$ T  ~# F& r+ ~
6 J/ b: f/ T5 Y1 A3 E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 v, F8 R& }$ n7 n4 @0 s+ j
0 ~3 \7 m6 B; K& u+ b二、如何防止网站被爬虫？

* g% o# T: k8 m( D! p2 e3 s9 i4 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。

/ Z% j* R8 n/ M5 [9 m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。

& u3 Z4 t& O! _3 l" q& D针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
! T$ m, Z- e; a7 ?5 X
1.限制User-Agent字段
' \& @; h; ^2 N: E+ u
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。

9 M6 m; O( ^8 w0 VUser-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

+ H* m& ^9 x9 N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。
2 T' _0 e- x- E- ]2 G8 j
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

& o' x) Q; f3 t" V% d6 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。

' ~' M5 {( z( ]  Z

5 H- w% U1 e$ Y- v原文连接：http://www.szw86.com/thread-9831-1-1.html