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
1 \( z+ {, ]+ `; q
防止网站被爬虫抓取的方法有哪些
! l3 J1 e! H1 \  u3 h8 W
4 J& S, h) C' K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？

一、分辨爬虫的善恶
6 X8 _$ L  O$ O5 i  T7 e) e6 d$ b
" L1 q9 w1 _) l9 [) i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。
; _( r/ M# h" o9 k% e8 [
5 t, R4 c5 x/ B二、如何防止网站被爬虫？
# K7 v  [2 i' {$ Z6 C, ]* Z# j/ h9 h
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。

6 e5 ?, a  N9 U" V% N) t" M' s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。
3 F! _1 b# s" z" `2 H* B- R
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
2 v# r" s7 E4 F- z: t8 a& w( W
* S$ Y$ @, [% e0 ^/ @- j6 p1.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
  C3 v) O0 e% ]  @! G
, P! C# C) {* {0 L4 H) T$ q  }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。
. _! T  W- e  e6 c5 X1 ]# S
" h+ S" p8 a+ |% L2 c3. 添加验证码

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。


3 W' q; s6 A& W) O7 ^% k
+ Y/ S# t/ R( V4 w+ X- n5 f" w( q7 T原文连接：http://www.szw86.com/thread-9831-1-1.html