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

" m% A" p$ P0 o0 E$ ~0 w  O  o, p1 w防止网站被爬虫抓取的方法有哪些

6 P; \! d3 m, u; E9 a9 C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？

; {# I. C1 X# _- C5 H. r一、分辨爬虫的善恶
8 ~' L% M! C& n6 i
+ ^8 q0 y( |5 h/ @# m/ c1 [% Z4 |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。

) R7 r- X5 _& b% J二、如何防止网站被爬虫？

: n$ B- E9 @- X# k- r% X5 i" L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。

/ a& b( J/ ]! N( `* p% D: S9 ?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。
3 Z4 T1 Y5 P& ]; z# v
- |5 j1 Q$ M+ c# x针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
+ R! `% U# r4 {! X; `& Q: f
1.限制User-Agent字段

( U/ K# w# \) @6 A4 kUser-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。
7 e$ d+ L' Z* Z9 F" S+ _
: o& C7 N, _, |/ Y4 K6 N$ M. TUser-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。

6 i/ I! G4 k) {+ g% c2.限制IP
( I+ e$ Y$ d8 v6 }  h, J5 ?; }- o
9 A% s3 ~; z( ?6 D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。
# C# K( g# i% E9 Z& 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。

) o, N! l9 Y& 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。
( p7 y  F4 b7 u; @
' Q! y2 p7 S' a# {" m

/ V1 }. b/ T* |# |9 H: j* J原文连接：http://www.szw86.com/thread-9831-1-1.html