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
' s9 @& w. |4 x
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？

% a8 R' M" Z, c2 w: E' a一、分辨爬虫的善恶
$ e; a# j+ S! [- [3 S4 F0 x+ M' A
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。

二、如何防止网站被爬虫？
. d8 j( D# \' e: \( D/ A' \$ v
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。

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。
; k3 t. E/ }$ z! T; L
# ^8 K  b& C( n; \9 r" r) ^1.限制User-Agent字段
; g( ]( T2 \3 N' {$ }4 }8 m
( _2 h: H! }: ?/ X7 I6 QUser-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。

. A2 v, W3 R' U- K9 a! S4 w6 ?3 zUser-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。

* i! K! f: d( g9 U5 @2.限制IP
- p2 R3 l! b. M+ a5 S+ ]
0 X2 z, w4 v0 t! E9 E( `6 X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。

  }- M. h0 I+ o& P$ |% h" O4 [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。
" o* R  ]) ~6 F; k. g; y. t3 V
- a/ f3 x' ~; G! M3. 添加验证码
9 y1 {; z! U! |
' I) q2 S  t! {+ _4 b2 }; J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。
+ n( w6 [) a7 M9 C4 ^' d
& m# e3 {! ^( W# U0 E# ~8 r4 }. B
3 e, h. G7 I# V; x) J1 t9 D
原文连接：http://www.szw86.com/thread-9831-1-1.html