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
: F6 P) g4 o7 ^; y; u
% c& T6 \: C0 m$ z: [* I2 o防止网站被爬虫抓取的方法有哪些

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？
7 }8 o4 h; q) I3 V+ q
, |) `3 V& b/ T8 R8 o1 l一、分辨爬虫的善恶

; _" e9 ~& R+ H" ^6 F, @0 }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。

: V; _! ^% z6 p二、如何防止网站被爬虫？
/ P8 \, q3 W2 j9 @! {) d0 N
( C  q) \' ~8 l; u' {: j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。

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。
  Q2 a; A$ n; b( B, C
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
1 e+ v, n3 }& t4 a% z* Y& R
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。
: e9 `4 C$ B  p" M- r% k; p" i9 r
/ |# }- `; `; s. ?* \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。
1 s. n) i9 I3 x: x, m8 U) q
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。
4 B3 ~# b3 ^- b+ e( e/ Y$ ]
4 P+ j& {+ G7 d  ?7 V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。
: ^* s5 {; _0 u3 F+ p. k) Q" K# }
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。
, g6 |2 Z0 n% H6 G
6 ], q, y7 W6 N7 x

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