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
+ f, B' p$ a9 H3 S8 @# U
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？
6 m1 _) H$ w$ n6 _3 O- N& j. t' x
; X6 G& _, X7 k6 g# M* k) D- b4 y一、分辨爬虫的善恶

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。
+ t0 {6 J, _. h  F, F# B/ q
3 B0 ]# i& O2 _# }二、如何防止网站被爬虫？
2 l& F. W; e: V
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。

! }$ f5 Z" X1 m针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
4 C2 D5 t: o; O& j. j+ x# ]
1.限制User-Agent字段
6 U/ f" Z. `8 g! p$ I
2 B& [5 Q* S% V7 W5 W0 ZUser-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。
; e9 r0 P2 s/ ~9 E5 S* [
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。
1 z/ e6 Y  U4 E8 w1 t+ Z# R  w
2.限制IP

5 e3 h2 g. w- \! c+ 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。
* ~$ ?, P. _* A5 q; `( u
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

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。
0 j* ?+ L4 [7 s/ A
0 n" H5 S. j, p4 {9 i  d  ?

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