|
防止网站被爬虫抓取的方法有哪些
& Q: v) G8 C9 I/ t, ]5 y$ @/ z% q; V
防止网站被爬虫抓取的方法有哪些$ A/ J7 \9 R& B/ E9 }' i0 M. E
/ C7 a% J# k( A8 [9 J0 N3 L
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 T$ ?4 T4 t5 b- s1 {
7 |. d7 t1 Z% b1 {8 x一、分辨爬虫的善恶+ s5 \8 t; D2 ^1 d
$ J: n8 ^5 ^3 O s
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。9 X; L( e/ I9 _3 Z# |. Q$ {
2 t) H; ?' \ p- Q M Y% [
二、如何防止网站被爬虫?
4 `7 }) A& D4 b9 |/ @! w/ E& C/ A5 g1 H9 [6 m8 { q
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。) @+ C: Z* k9 V" ^+ H
% W" j2 i0 J% D% K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。* M( O4 D, I& c8 t$ @* h
5 U" Y6 F9 ]: Q
针对恶意爬虫,我们可以采取以下措施来识别和阻断它。8 O& K9 |4 } F! G% r
# `& g5 f3 m+ \3 q, B! J, y
1.限制User-Agent字段
d0 Z* K* {# s: ]; R5 `3 v/ e/ q9 V3 J4 O- ~( a
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。
: i( |! A3 O5 n
8 @" L7 Y. I8 l- O oUser-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 P z' O, b7 i1 @
1 ~9 L* `7 J2 V- T! n2.限制IP0 T$ Q& b5 }2 |' v. I. C
" N- M- ^' v' O7 T$ U4 r$ x2 a" e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。
1 {7 ^9 O% f' o/ `" i; p
0 x3 L2 E+ R* `3 b7 l# S. K/ B! L& H9 D8 \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。
5 C7 r1 {) a0 Q, s! s) b6 G2 S
8 }) k8 f8 T! z& w1 G7 I6 b$ o3. 添加验证码4 l2 x; v$ @6 R: W$ Z
) d6 e/ y6 N2 L4 Y. G+ `% s: U+ O
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。
: x% i; U8 [5 H N
, C/ J0 |$ C2 l3 c6 D! |$ T5 w4 F9 x& ^! k
; J/ o5 u5 v& Z原文连接:http://www.szw86.com/thread-9831-1-1.html |
|