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
  I' K4 C/ z& r5 B8 g) C
8 S! @! T8 {, @; a防止网站被爬虫抓取的方法有哪些
! G, U( J- V/ H  Z% W; D8 C
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？
/ O3 r" U: V/ e/ V
一、分辨爬虫的善恶

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 v: D% m9 [5 c; m# A  w: ^# v) H
4 W! g- J& Z/ `( s( C# j- e3 ~二、如何防止网站被爬虫？
* H8 `9 _* U& P3 M6 f- a" B) b
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。
6 c4 @, d" Z1 y: R6 K! R
" j8 j, k2 x/ v& x. \/ E' x( 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。
5 ]& U7 [+ X' P4 P2 P) M! f
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

$ R2 X6 O2 j; j1 b5 q- M# x1.限制User-Agent字段
: E7 R7 d4 }6 K0 V
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。
, `5 f6 }% e0 e7 E
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。
7 h) \/ D3 M! V" e" j" _+ ]
1 S7 S- P# ^# B) d  E" u2.限制IP

2 `( D! B* U# A/ R& O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。
  m0 n/ V! E. @$ c, S5 A5 [
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 c% P) L- u* g& ~( p
3. 添加验证码
" c, `2 o7 Q* e* O. r$ ^
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。



+ u4 x  w# R7 ?4 Q原文连接：http://www.szw86.com/thread-9831-1-1.html