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
* ~8 Z- _6 _0 e! m
& `. `4 [6 f% U3 B& b" C7 q" E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？
0 k3 x  z, c) O, r
, [* ]6 ?/ G8 Z9 f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。

二、如何防止网站被爬虫？
2 D( a$ }$ E8 {" o# Z. i6 p' a% s
8 ~1 I4 R" ~  w8 _) y, u9 a* g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。

" r4 }' G' C0 p* u- s, G! `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。

. I! a, b7 w0 U: q8 g+ |3 `$ t针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
0 c% o, o, c% U, c7 B8 c
1.限制User-Agent字段
4 D' j. J2 f) c  Y0 h
! A& D8 \# R1 m! H, T" @- 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。
8 D& z) Y6 G4 X5 T* J9 [+ m
+ v( @( f3 u  }- _9 P, j# ~* w8 CUser-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. @% g' S; `, h+ k7 {- `
2.限制IP

& S/ C/ P# M% k/ f, I  O/ b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。
% Q0 L9 }' @* y! t, \( {
. E  a: a3 h6 b% w: z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

8 x% B& }- r" ]/ M8 w0 W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。

2 a7 A8 w8 m" {8 i1 c

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