|
防止网站被爬虫抓取的方法有哪些
4 h9 x" r2 a" K; x! N' F" C" M N3 X6 n8 m
防止网站被爬虫抓取的方法有哪些
! ] q C' i& N# I4 g7 K
" E' e- l2 v6 r; g* _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?+ ]4 a4 ]) k6 y3 C7 W0 ]6 l6 q6 R! \
9 J( N8 S! x+ U* G一、分辨爬虫的善恶( }# n3 [: J3 K( r
0 O( x+ y: w0 R( g% e9 I* _
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。" ^" Y4 \' O9 Z, m4 }
k7 f! q5 @/ U; ~& I二、如何防止网站被爬虫?* o% u: w, ?6 Z
* M; E5 n7 E7 N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。
+ f1 r$ H% S, T& d7 R2 H" b( \ u4 _% p+ c 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。7 G0 o# Q* V( Z4 b1 Q; z) P' t
' k) e6 ?5 O. s4 }$ c! J. [
针对恶意爬虫,我们可以采取以下措施来识别和阻断它。7 p& _. W- h& i0 I1 i
: |1 c$ v# y/ a1.限制User-Agent字段
" t4 l, J& \' Z. _# | R7 R) T' A! R% O, `
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。
$ @: }& _; o: t) t
1 p; z" u. `, [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。
$ o8 T8 g1 G- w
9 C* y7 p& b/ g1 G$ k2.限制IP
+ k, G+ b P1 Y3 i
A+ V3 m- S8 o, W2 U# f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。
) [, ]* y. D! I& {# X6 Z0 p8 w" `0 f" A2 C; G2 z F
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。 b. Y; a$ j% t
, O- \4 @8 q) O9 B H
3. 添加验证码
4 l6 G, z7 I- H7 `* _4 H" C5 F' F( ~0 ]! S7 s
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。
* V& ~" E% e* f- I+ n6 c/ o- v) J. q, C9 w4 G4 O
) s6 s- A* ~. Y$ w3 p/ y
, M+ f( u0 ]$ T7 M, i. w. i1 b* T原文连接:http://www.szw86.com/thread-9831-1-1.html |
|