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

4 W: Q) a7 S+ W, E2 N7 g防止网站被爬虫抓取的方法有哪些
$ m' c$ Y! T1 m
7 Q6 T( K- M7 [7 o6 u8 h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？
' K' d" r& @! Q, k; r
一、分辨爬虫的善恶

5 |2 [8 A6 ]; L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。

, Q) g6 X# x- {9 F3 V& k- V二、如何防止网站被爬虫？

' K, _/ E9 B  z1 b& Z: l! Y. B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。

( a$ d' F- ~+ n. _) w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。
1 y9 x. i* w$ K3 ^
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

* T. `- q( h( K5 V4 ^" 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。
# d0 n+ s+ T% Q3 m  T, H6 k( {  o
( C5 _* Q& ?/ {$ F; ^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 b; H' F4 y( k; i. ~5 X2.限制IP

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。

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。
. [( i8 X0 x/ \3 U: g4 W
3. 添加验证码
$ g1 x3 v# D( n$ o+ l/ |( Y
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。


" ]) }+ Z) c5 S" o/ ]+ V1 p% e
( J2 v3 V; I# @9 y* x# Q) @* R原文连接：http://www.szw86.com/thread-9831-1-1.html