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

4 o, }8 p+ T  ]7 S/ ]防止网站被爬虫抓取的方法有哪些
4 q! s; L* B/ o  r( a9 J  |
# c# b' V; s  v7 t$ J/ a( Q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？

- d2 R- C" ]; n' [一、分辨爬虫的善恶
. l* H) x% I# k* r7 U; d2 F+ \
2 V6 x  G3 w/ D8 ?/ }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。
5 j  x4 S) b2 H$ W, q# ]7 Q) a2 J' J
二、如何防止网站被爬虫？
1 \( M, F6 z' b' b' W  m
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。
7 [, p) j5 M- ?5 m% @
+ l5 ^+ s, w( ?- z- h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。
& Q3 @+ {8 t) T9 z( k" F7 c6 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 x2 `! L5 H- @; g# n6 N
1.限制User-Agent字段

4 v3 F# j/ d  c9 x/ C! UUser-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。
' _# w8 \5 y5 t
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。
$ t+ o2 k& k; A0 c
2.限制IP

5 g0 {( u$ g* W& c3 }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。

3. 添加验证码

3 d- _- B1 `! @5 n$ X, g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。



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