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
% ?" R* o9 v) u, n! A2 Z
/ E' B4 ]. u9 Q) A9 S+ w* E防止网站被爬虫抓取的方法有哪些
* A* D) G/ p" [) I* r' O
/ B+ Q- F9 t; Y8 e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？

+ F+ ]' C$ g1 P; }, \8 J) ?一、分辨爬虫的善恶
: I' y1 N- P* f
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？
0 `# Z2 G$ v, n7 G( V* h( M0 k
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。

" s; O/ n0 B- z( d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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
: h" s+ v: p. @9 K- Q
# v4 e' z" e' o! @. u9 T1.限制User-Agent字段
1 n. q/ O' }5 V( h0 I7 L( @
User-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。

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。
' B8 @. p% i& y( c. w  n: h: @
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。

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。
1 {* G' a( h: `7 g/ ^
, v- Z! ~( w$ f1 }) a3. 添加验证码
* e; }- z2 d7 T. ^8 v, z: F9 r
5 ~, v- W& o) P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 b) _- X5 ?. z- c% C% K6 Y' |
" p6 `4 F. ?+ v% d

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