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

9 Y7 u: C6 ]; X防止网站被爬虫抓取的方法有哪些

0 \  U. R* I( C7 k& E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？
( z4 l. m- Z: p# f
一、分辨爬虫的善恶
. V/ K4 }- {0 w# Z5 f% V" v2 K
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。
3 P9 O$ }# c$ u. a& f& ~: O
# ?0 v7 ^& Z; k  t, N二、如何防止网站被爬虫？

* h: }0 |# ^5 o, `# f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。
+ A1 _/ I$ r7 F# e5 }' i: u
' F. E* a( A- B  o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
& E# f( J; x: o. T) R2 [4 j% L* [. t* M
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。

! J: m0 T1 t4 a- ~+ }9 rUser-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 ]" U7 ~. D; h; M2 [; c' |9 @8 O2.限制IP

0 A' y2 I$ _8 L1 P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。

" E) }5 F. V# ?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。
' W: I  |0 U0 Q7 X" }
3. 添加验证码
2 h3 O* s  I* r4 ~
+ k8 g( O- D7 i, a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。
; c$ `0 W# Y! R0 @
: c; U2 K; ?3 N! X9 L( l1 t% f

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