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
* w6 g7 ?+ _" o8 y; `
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

1 n# E, L6 J9 |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。
8 m9 C, B5 Q/ O  w: U. z
二、如何防止网站被爬虫？
, u2 n* x8 u) Y& j! ^
, Q% h6 o1 R9 y. R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。
4 |3 U, }* j/ e1 R: f; j1 b7 W4 [
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。
8 I/ s. @% K0 j
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
+ y& H9 @8 X' Z& S, R
) B( t4 X( I" ~% C8 m1.限制User-Agent字段

. {$ L# C* f. w1 HUser-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 J' \8 y- \% `2 |' s* O/ I# e
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。

2.限制IP

& `6 p2 f1 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。
; I' o" B4 q7 f' Z: T0 r
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。
0 x4 G8 H6 \- F* s3 k
' ^4 ?: |1 y7 z2 m9 }3. 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。
- e, _* x- q" M1 P' }0 i( q. E9 u2 H  H
* {9 w& w: U8 w

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