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

防止网站被爬虫抓取的方法有哪些
9 E! Y2 {- w4 \$ _" C
8 Q1 k9 h+ {. c4 C7 |) L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？
: O) \2 i% c8 ?3 X) L+ @9 w
一、分辨爬虫的善恶

! X! u0 p. s! j' j) g- n) j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。

/ V' i. h5 ~5 Z1 l, x二、如何防止网站被爬虫？

( u; a/ s8 A& O# j7 t, r+ r, v& H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。
# L: X1 }7 M/ ]) N
& h7 e  U7 {( a  J7 ?4 o) Q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。
& M8 n, ]% ]7 D: X( o  M# F
, L/ C5 C# H  _  R5 \3 c针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
$ x' i! g) C0 @& A# J
" p! ]8 |3 v( o1 m" n1.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。

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
; t* e/ S4 S4 C+ a3 x
2 Q! ^3 H. @' L# c. M; W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。
8 i3 F# S' V- M5 I
0 j6 o: M5 w) @* n- v& 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。
: C* b( M2 p1 {1 m, x9 ]9 j
3. 添加验证码
9 T$ {. p* c# L+ }
' }8 b7 \" ?3 z# o% V7 {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。

2 X/ ~2 t; \5 A( t
1 d5 V8 m/ M& L) n6 l) n' ^3 _
原文连接：http://www.szw86.com/thread-9831-1-1.html