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

) d, U$ i8 v0 \" s3 s5 C防止网站被爬虫抓取的方法有哪些

- O3 I$ B' ]5 s& |; [' g1 M- }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？
- L! V9 f9 }+ _; r- H9 e; @
一、分辨爬虫的善恶

6 I# S7 C* Z! P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。

9 `( t  w, ^; k( f. z. L2 X二、如何防止网站被爬虫？

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。

5 `" I& `, K2 V+ G) ]" z" h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。

- d' `- j0 d% |2 \) ^: T! j# T针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
6 i4 \7 A) @$ t8 K; P1 ]
6 ~; y9 G" G% I) Z6 W3 m+ g, O1.限制User-Agent字段
9 X( C* o; a7 P- E2 h7 f0 c& l4 ~
( K6 }6 [7 M! H) ]. P. pUser-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。
$ ?$ y7 b8 @! Y, D# F: o
5 ^( K) r4 k1 a; H! \2.限制IP

# L- k% i% P8 \. Q  s1 ?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。

3. 添加验证码
9 v# j/ T: I7 ?; Z0 I# I
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 ?3 H1 Z/ }/ L: j( T4 t8 a


8 P- v# E: o) j  N4 _# ^原文连接：http://www.szw86.com/thread-9831-1-1.html