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

& t3 S0 d+ o+ p1 H& x7 R. z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？
7 m: V9 p  R9 V' ]5 p
一、分辨爬虫的善恶
) U) h) P' ~& {% R7 A
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。

) r8 G. L% h  O  E$ }; V二、如何防止网站被爬虫？

6 Z' E- _4 S' p" l! r* b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。
, w0 w/ A" g" o' e1 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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
4 b8 b: T! q7 e. B9 P2 P, w
* _% z9 p" ]; y1.限制User-Agent字段

: M% t) U- ?( p  y: T, }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。

. p2 X- W+ M; x% T- y0 O2.限制IP

$ P" N9 k; `$ I" k1 p' C# H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。

4 J) P# E$ ^& V3 r. T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 t; s+ k5 k, O$ l4 U' A3 |3. 添加验证码
+ o4 y( T8 @  R1 I
" h( W/ Q& C" i( H. }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。
" a" x, M( B8 B5 x

5 @2 P2 I9 S3 l5 N2 p  U) p
; Q; w; @7 W( g2 j原文连接：http://www.szw86.com/thread-9831-1-1.html