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
0 ?, ]7 s* y% [
/ x. Q7 ]# g0 B) l# f: f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？
" p; p" z: H3 I
7 I+ m5 ?0 S, p4 h& l一、分辨爬虫的善恶
0 x: l6 D( }) H5 E! C( d
5 f6 {# O3 l$ A- H& Z3 j0 P* Q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。
8 W. F& Z! h' C" I: S6 x
二、如何防止网站被爬虫？

, B6 y# |" e; w) c( N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。
: b# C7 a" v" a! v1 _3 R5 Y
9 `: Y, R. H! N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。

  A, l1 U$ |- X" u* Y4 f, b针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
4 I5 _% I& B: W1 u5 ^9 A
1.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
) O- o4 F3 d$ o- v4 x) U
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。

5 R2 O9 o# {" d. t9 t3 q8 E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- y" w1 ~8 t+ L. F, B
3. 添加验证码
$ d( `# H% l/ m' a6 F! B( S6 i% J
' E5 r# W5 u4 o( x+ e; r! _% f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。
6 P& o. F% m/ h  p


  y: m( ~& w* t) J6 l5 k原文连接：http://www.szw86.com/thread-9831-1-1.html