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

防止网站被爬虫抓取的方法有哪些
( G( F/ F) ^: o+ x
/ J+ M1 k/ f* }' Z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？
6 e  Y+ t9 r8 \  F' ~
一、分辨爬虫的善恶

/ `; t8 l3 k1 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。
: _- v, E  x/ b. {$ N& f
! i# }- m# t7 C: h7 m5 c二、如何防止网站被爬虫？

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。
" b3 T$ f6 T: @$ u" f/ h8 H
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。
# f# W7 d! m  S4 h; Y1 v0 U2 @
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
3 b' a% w' B- H8 {% \" L+ B
1.限制User-Agent字段

! x4 v" J! Z  f# W) Z% ~' LUser-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。
  Z( x5 A5 [, q! C( d
& c3 w3 }* X9 A' h+ e" Q; N6 \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。
1 {+ k8 J# g2 F" v/ A
% U) t% l' y3 f, J2.限制IP
2 a0 D/ I* F7 B$ o
; C! C- R! g1 B; h* h# H: A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。
  r5 D* S5 \' s$ P4 a, G1 X9 r
5 t+ m( e4 G5 T, n3 Q% @5 p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。

7 ]0 E! k+ j' b3. 添加验证码

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。
+ V/ k: K# L6 m) u' n1 _
6 Z7 k2 X% x% ?. `/ g3 o

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