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

; s1 a( c1 O# o* `0 I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？

( o( g& F. z0 b; x- {9 b一、分辨爬虫的善恶

" j  z3 W. G" ~5 N1 k2 b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。
0 B+ C  p4 k/ `$ ^
$ ~" j( h4 b* k7 T4 w9 ^1 I7 r二、如何防止网站被爬虫？
) t7 u; F: \: e) [
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。

+ ^: n! V; W$ i5 b6 |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。

! B4 D, r, T- s9 L针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
0 j# I' u$ A8 b& W( E
$ J% {% v9 b& Y0 \1.限制User-Agent字段

0 F: g+ r* V9 z' w+ K& gUser-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。

- h/ W( q' g- [1 q5 z" {2 FUser-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。
" {1 x" `0 @: u8 ^, v! w
+ m0 ?# Y6 L! p0 l: q' i2.限制IP
4 ]6 N, X) Z, E- b3 U
$ u2 B% V+ G% [! j2 H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。
# ?( H2 {" p" z
2 z6 m) o  i5 v3. 添加验证码
5 S% k3 ^2 o7 `. [: \
3 [' `% K, t9 G: J, M% K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。



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