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

防止网站被爬虫抓取的方法有哪些
2 Y" I: m- ]" f, f" z/ A
6 f( A, E5 i9 h$ V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？

1 B1 J" s6 e6 w5 @一、分辨爬虫的善恶
  y3 n6 n9 R# w% t6 m  x
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。

& E% _6 Z: R2 V9 J* S9 }  D! ^二、如何防止网站被爬虫？

: b, f6 M: Z! q$ C$ m- H: 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。
+ V" l5 o5 m5 S# C6 l2 q2 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。
* g4 R* X5 v1 b5 F1 _
) T3 w3 \8 I5 B, s. u针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
, U3 x/ J' @! L( a7 @6 z
. n, a! l6 i$ ]$ P& _9 a) }* M1.限制User-Agent字段
! ~$ ^* f2 `3 L+ o5 c* A9 a. j
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。
2 h* v3 [6 g; V: [! E# Q
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 r5 D: m9 f4 p, \
2.限制IP
+ ]) h" a' Q' R# R! ?
0 X7 z) d! r! u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。

$ E  u" {' Y# x6 H" i& ~) I8 B; c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。
0 F7 d* ^- v/ w! ^5 O- P& r$ H+ i
5 u7 U( `  D! k. F$ v# N5 n9 d3. 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。
# w$ e7 @: _: ?. N0 u* E+ l

" i: h5 l, h! G0 O" d2 ?5 H* e
原文连接：http://www.szw86.com/thread-9831-1-1.html