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
# B. T3 u" V! E" Y5 e$ G/ V: z- s
防止网站被爬虫抓取的方法有哪些

, a3 J; k- e  Q5 q- S* r9 O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
  f+ h7 I3 Y6 ~6 v/ B* b
4 |' S7 Z; L! o7 v) d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。
! ]* a0 @% R" ~2 I4 R; {' p8 @3 ^, G
' s& c# q. J- M+ b. U二、如何防止网站被爬虫？
" J* c. _# \$ A- o9 r6 r) X/ S
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 M& G+ a6 a+ c3 \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。
" d1 `6 J4 r9 H& f, m$ x
( v- T6 o: y' j" n1 t; b, D  r" v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

! A2 H# [9 o" m) CUser-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。
  E( [: V/ g! 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
! I6 g- k" C" C
! r" M( q$ m, A9 a  p1 J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。

. h8 ^) Y0 D3 V2 q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。
! I1 D5 g" s) w% e* u! i
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。

: s: e% u3 W7 g: o7 G0 w7 |
. t" h4 H4 P! g! s- d' O! E& k, V
原文连接：http://www.szw86.com/thread-9831-1-1.html