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

; D  t% m: q2 u' M) s& n防止网站被爬虫抓取的方法有哪些
; c0 U" |# v9 N9 p5 I1 p* w
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？

- {' `2 c5 [% Y0 I" p$ _  S7 L一、分辨爬虫的善恶
( c7 u1 K) b4 ?8 C: Y9 S2 }  r" |
1 S. P6 I" |* l! G; r) [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。

) E! w7 ]) _/ P3 {9 \" V二、如何防止网站被爬虫？
& \: f" e0 s1 [( G5 v+ ~7 @) M
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。
8 o! ~. X/ G9 |) f2 Z2 i
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。

6 o9 `$ H$ o; K针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
1 n7 S! f0 z) x! d, d5 F( h
5 h  `# T( \5 n2 D5 n  \6 R# }/ X- b1.限制User-Agent字段

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。

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。
5 V. D$ ^1 q0 N; t
2.限制IP

2 F$ @1 Y- F2 W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。
, P7 E1 \/ z. e; a- G9 ?% E0 R
- F. a: B9 m' `+ e& g: Q8 W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。
  g2 z% W. a0 z! J/ J) D
3. 添加验证码

& I; k6 B1 s9 ^" R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。


' t4 S: O% _% o1 U  l, a' w
- `, [7 g7 [/ R" \. {6 Q原文连接：http://www.szw86.com/thread-9831-1-1.html