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
* W% o5 O9 D, b3 p
! w! z) V0 ~+ v: \4 q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？

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。
1 n4 s- p4 r2 m# Y
6 r4 d0 r7 P6 ~二、如何防止网站被爬虫？
- T# C# N0 v  {3 K% |5 T, ?. t
% a- ^  ^" Z  O' L) p. c% w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 S2 P" z  B& X& j
; n; \% H# z+ \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。
. K# b( R' A2 R# H" p3 [3 o! R9 S) q% }
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

* F8 S2 _# D$ S8 Z  ~: p" G( XUser-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。
2 S: k4 e8 v# k9 v# L+ E( `7 F
) ~9 o5 u8 D) X* k" e  EUser-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。

+ P# x5 A0 h  i4 e3 `2.限制IP

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。

' t* }$ P+ O0 g2 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。
4 X$ K8 F2 L6 Z1 H
' K- i7 R& }) \7 g0 ]: K3. 添加验证码
, y- K8 ]3 f  \
8 Y0 Z/ @5 v3 S9 [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。
  j5 p) M; n4 w; I


/ X$ u* e! E! G/ h2 ]/ G原文连接：http://www.szw86.com/thread-9831-1-1.html