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

防止网站被爬虫抓取的方法有哪些
! K2 X1 E) V% [! n) n
' M4 I2 L9 [* t5 Y8 _6 v; ~% b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

# S9 S" M- a2 \( S# {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。

二、如何防止网站被爬虫？
1 Q! E7 k2 L% V9 w7 I
) E$ h8 t) d) I/ @8 b% I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。
9 \- ~% @9 J3 ~; q6 W3 o
# e9 d' a) H3 J, B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 G( J: S; W/ y针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
5 w0 {% t9 C/ X% w0 c; C7 o7 n
/ X( j% W" W, Z* [! y! ~+ E1.限制User-Agent字段
9 d- G4 z0 c/ a. w6 i+ {( G
- _4 \* w3 w6 x$ Q/ Z" A1 hUser-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。
: N5 u: T% y& E- y" k! t
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。
. K/ h6 ]: S; H
2.限制IP
5 W" i4 N1 }5 `# g" l3 A; P- ~
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。

9 _& n, q/ G( F0 L' Z5 o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。
: r/ @3 E) _# q5 E# q- C! w0 v
3. 添加验证码
9 p1 j9 _3 T. C5 C- c8 K7 t
! J. x) t/ ?+ c) z/ e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。

; j; ~0 _1 l5 }) d# K

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