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
7 i. g! p- }; a# Y
/ f, ^# Z' z8 }4 ?7 u, u防止网站被爬虫抓取的方法有哪些
3 z  v1 {: V' K! y* Y) _
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？

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。

6 ]% p: n: H6 o$ l) a8 [4 A- z8 E二、如何防止网站被爬虫？

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。
: Y$ i: }" \" Y1 C4 X" ?" G
+ W# q5 O, Y6 N: J6 Z  L0 [7 U/ k" I+ m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。

* n4 ~7 r) n& z6 G" Z  s针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
# Y1 n' R- U" p& |8 }; b& V
/ q& V8 k- ]/ Z6 e, U" E/ m) u. @% S1.限制User-Agent字段

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。
, H+ r2 _: G  ]$ m
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。
3 q* w! B8 K$ p) d
( {/ u' X/ _2 x( s! {7 Z2.限制IP

: P6 {% g' m, V# {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。

7 C; c5 P* D$ P3 g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。

8 m7 M2 V6 X- @$ l% P+ |3. 添加验证码
) c( W; d2 Z/ [4 ?2 ]
; w/ h0 D, \" n: h9 E  F% a8 U1 H6 P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。
) O' r! n1 Y+ v; ?6 B* D) R


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