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
5 `1 J6 i2 {; r& a( Q
) V9 O) ?" t; X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？

一、分辨爬虫的善恶
/ i8 R' F) E6 {7 ]2 q
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。

" L, z1 W% }9 q) ?; L二、如何防止网站被爬虫？
+ P& S* i) K7 x$ U# g& [
6 i: W  }! q# [4 P$ }7 F# I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。
  I5 w$ s$ M, E7 Z% a. 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。
: J4 v0 c# `6 S# n( s
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1.限制User-Agent字段
" y5 r' e6 U) K1 p  m
# [3 G6 c: }2 I8 WUser-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。

/ ^: ]5 \, v/ y/ d; QUser-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。
* i4 E+ b' g" l7 x3 S  J
2.限制IP

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。

: W+ ?, y2 B* }% {2 w% S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% B8 l1 p8 |
1 ?3 y" R% E3 U& O3. 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。
0 k5 n/ X* m3 I' [; h  c

% Q' ]0 T$ m. u( ~) z3 m
4 v. \9 d  _2 x- q0 i% @原文连接：http://www.szw86.com/thread-9831-1-1.html