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
- Q- M' V/ ]* `2 s/ f+ t/ Y7 e
. u5 w+ ^$ Z7 \4 W7 d8 H防止网站被爬虫抓取的方法有哪些
/ X1 X8 e3 ?/ ~7 P* s
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？
! p2 I! S' g  c* B- e! l$ N
8 a4 U- ]# k/ ?" h一、分辨爬虫的善恶

. P. t3 l/ G3 j8 q+ Y; h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。
. O: J1 H# z" e2 R
二、如何防止网站被爬虫？
, m! @4 G4 f3 R' r
, X. o3 r! f7 V/ A+ d- t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。

" }  v: M4 K# I( n! o2 z$ }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。
# a* Y; D0 P- d$ [9 h
: _# \# F2 @0 {8 _  h2 ~9 r1.限制User-Agent字段
$ m/ U- |0 u/ J4 x; D0 o- n
8 b% V- n6 O4 I: j8 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。

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
  b5 L! g5 M! c5 {( ?+ x
- i! P: `5 y, S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。
0 {, H, X9 f  x. m# X
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。
7 R2 d9 v( \' {+ C- S4 E# B2 a* m/ A8 ]
3. 添加验证码

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。



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