|
防止网站被爬虫抓取的方法有哪些$ n C4 Z0 S/ w& H% C
W; i- }! Y: I! z防止网站被爬虫抓取的方法有哪些, R( y$ H0 A q6 |
! g* L' q5 s! P. E g: @0 a7 A- 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?
4 O; d! F( N X. b0 K
/ L" D x9 L& a- V6 d一、分辨爬虫的善恶
" H) a$ x. }4 C
( H" h' {5 z0 B$ h' I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。3 x5 z! [1 P' H% S
& g/ e b3 x8 X. D5 G5 k/ G
二、如何防止网站被爬虫?2 s" ]! |. y6 U2 p0 t; B
. a9 x% n/ S F: v
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 b F9 g0 F b% z
. h( y4 \: Z1 _4 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。3 E% C) a- l+ v0 r
9 C) B# B" [+ Y$ N- B: Q' n针对恶意爬虫,我们可以采取以下措施来识别和阻断它。- z- G$ ]# H7 C. C! z( u' u0 ` M
& u3 D4 }4 A6 j
1.限制User-Agent字段+ Q _. J* C) R l
9 P, N+ f) K1 a0 gUser-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。
. p$ Q3 \ [' A& q" ^* c5 T: g1 W9 `! `1 O
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。$ F. L3 W6 u, e! g# M; i, Z) {
: p( Y, S7 Q, i9 {- @3 |2.限制IP
* E5 c' @0 P- U& J& }) ]3 j+ M) S1 \' ]. {/ K
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。. d3 D3 z8 `8 T+ O# n
8 d6 t6 k6 r7 Z. c9 F) 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。! f) U) @3 ? Y' O
/ i1 q$ v$ q p: } `6 w8 K/ q" M3. 添加验证码
* B ^. F! k; D* `, A: N2 l z2 Q' x4 }7 ?$ Y$ r3 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。
- n( n" d; B3 a! b1 z# {
) w/ F3 |7 C$ C+ W3 ]
6 T U9 \, s6 x% A5 W1 ^, o4 C. v6 r) [4 T$ f0 K* r( u0 l
原文连接:http://www.szw86.com/thread-9831-1-1.html |
|