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

' V% D+ e" t$ L% P  q9 x" f( D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？

) C5 ~5 t, ^) q  Y# r一、分辨爬虫的善恶
8 n0 c5 R, R! R% F5 e& ]6 b5 {
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; C8 L- r( Q; P! ~& H二、如何防止网站被爬虫？
$ c. ~+ m; U' q+ b
4 K. J" Z. Y5 S1 T, g, _) l2 k" c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。

( k/ W1 G" y! s) Z: a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。

1.限制User-Agent字段
/ D( s  G. f6 ~6 R$ d: O1 Q4 \% G
- B9 ~0 c7 J. \0 ^: zUser-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。
5 s3 y6 _7 U8 c& A3 ^1 j
2.限制IP
7 ]5 Q6 v( A- O0 e
; u, ~5 |7 j& i+ I! g# o4 ?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。
6 t1 d# ]: p# n6 a
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

  g( F+ c. R3 t# l! Y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。

  x/ u8 h2 r  F

+ L/ A9 e: u6 u4 k! y原文连接：http://www.szw86.com/thread-9831-1-1.html