|
|
防止网站被爬虫抓取的方法有哪些2 G: T) G S7 ]# Y
6 C; }: {1 |9 h/ E
防止网站被爬虫抓取的方法有哪些; t4 {) |$ a6 _* Q" y+ u
/ ^7 V8 f1 {) m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？
. \: `( T4 D0 N3 C& g+ p1 l- M$ T% w5 K5 j* Q, R* D# W
一、分辨爬虫的善恶
0 V* R& n0 H9 l
7 P6 x5 h: h; @' z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。) q C. G) F. m8 J
- ?9 X: e/ R& |- Q( R) q& p3 }二、如何防止网站被爬虫？
; v7 ?2 u! `) [4 t y8 f& }/ B: \+ m: K* A; j4 E7 R
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。: k' |, d4 r4 a7 {' b- A& Y
+ z1 Z8 C, `; _! {* _- W0 T7 o
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。: b8 t0 p; `* H4 k2 f; v- M7 w
4 f7 o+ J) V% W0 q r
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
3 P( o! r/ j8 E' L+ g, D! s3 V* b& l+ `3 Q! p! N4 F3 ]
1.限制User-Agent字段5 x) `/ c6 { J9 E
' B/ p, A; K0 R* G! p" c7 `5 f
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。5 B+ }' a. M! }2 k0 \' i7 S
# P: n5 r m& n8 b. A, W0 F/ k$ ?, MUser-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。+ ^( n# e0 f1 S0 J* H0 h6 z
+ ~. F. K1 j* \% d! j, q @
2.限制IP
2 p# H# R3 f+ s; B! P; Z1 V. }2 m" a+ X$ R# I) {
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。
5 ` M; P$ e4 |4 ` w- q! P* ^3 D
" n. A% b. l9 @2 q( ~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$ b, {! g% ]- i
J2 i5 ~$ a' \( o$ f
3. 添加验证码
0 e0 A. _- D' c' X; F5 l- h C* W( ~6 x" u" \& 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。7 w5 e7 ^# N$ Z N+ P$ c
9 y5 v; R9 e6 A9 n1 R
; c; V( j0 V- x: P. D
8 A7 H \6 X( ~! e g, P8 Z. {原文连接：http://www.szw86.com/thread-9831-1-1.html |
|
IP卡
狗仔卡
发表于 2023-1-2 13:43
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
显身卡