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
* k! ^* l; U0 U. h4 s$ P: M
防止网站被爬虫抓取的方法有哪些
2 u/ c3 I+ t3 c" \4 A! P" _3 A
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

& S; x. M, ?8 M' Z" j5 `9 ?6 s( E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。

& s9 `7 `; ~0 `二、如何防止网站被爬虫？
$ j/ p  P7 }1 G5 a6 \
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。
# H  f& k( M5 A- d
7 O& [4 a5 ]8 c5 E, J2 Z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。
8 ~8 b8 s& b- G. `' W
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

: O) H5 ~9 \0 C& i4 {6 q5 ~+ H1.限制User-Agent字段

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 t6 t4 m: d5 ^" tUser-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
  N5 o9 u) t" |# i9 u6 ]
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。
2 J! P* Y8 X% b0 [( ^- @
* I; S5 Z9 n0 r' F3 F3 E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 K2 `! o' E( c4 ?
3. 添加验证码

) Y% F8 \/ Y' G/ D3 h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。
% @# S4 Y2 V; s' @: V

& a$ r" }2 B, x* c
原文连接：http://www.szw86.com/thread-9831-1-1.html