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
4 N4 u( U- Q% A9 }% P7 |1 g- l
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？
% b, b  l7 a/ P+ Y9 J) [
一、分辨爬虫的善恶
; v; E  h2 _+ z5 @
3 H) E5 {2 i- [0 O3 w- W4 |& A- c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。
2 x* A0 ~  p4 g& J/ M  [/ ?- L
二、如何防止网站被爬虫？
) }8 ?1 i$ Q" A) C+ ^& j
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 a4 ^0 G$ }0 }7 o5 D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。

. V* ^( f- \" J9 @" p" e1.限制User-Agent字段
2 f1 n- Z# j& r, e3 Q
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。

, @) v/ q5 ?* P$ 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 I- o& g, ^. q0 `! R2.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。

9 C2 j* ^: z& @) F9 h  [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 ^8 I+ X" T% G- C: P
# }+ r, B6 s$ ], P% y/ d: R3. 添加验证码
" ~/ U; r4 j; L  v9 Y1 O; J; Z4 d0 Z3 c
' G6 \+ l* \( |! b( u6 U5 `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。
. `) b9 R* D; M% e+ i# f* ?, Y

. D1 q: A$ b$ j1 T- {# z; s
原文连接：http://www.szw86.com/thread-9831-1-1.html