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
7 o* z4 I+ u9 L+ J5 [3 G
; @8 |) b( u( L' `( [* _防止网站被爬虫抓取的方法有哪些
# o# o+ m7 u7 {: @$ u. Z: q
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

; T; X- X' p0 A  N+ V" A3 s2 t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。

; w; P5 J: G2 M9 Q  C0 i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。

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。
7 \' c' S$ F( K( v" g  T% G
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
7 i. Y% i6 K  h: w$ ~3 H
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。

, ^" m, ]$ \/ a0 w) i+ b- [; |) d7 v3 CUser-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
8 V, r/ O9 A$ n/ D! ^0 [' G
' c  o, J) k2 k! }* N* j0 v2 c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。

* }( x: I! Y' H) ]$ Y5 H; i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。
& }9 ~- p7 x& B4 M, ^8 ^' o
3. 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。

+ [; K; X$ s. ^9 X! I9 @- r* ?
/ y2 |; a% R# d9 c- o5 J0 @8 u* T. p
. q$ f9 R! f9 c& M! i) X6 A原文连接：http://www.szw86.com/thread-9831-1-1.html