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
9 ]2 [9 E3 w+ ~; g9 ?. h; h* X
防止网站被爬虫抓取的方法有哪些
0 v* |0 K1 u, M+ P8 Z
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
; x$ u$ A* T1 C6 W% c; U! H
1 l- N) h& V9 `2 t' z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。
! P$ B2 }) c9 l3 ~$ X6 @$ k3 W
. U" I' e0 E5 _* J! v$ K二、如何防止网站被爬虫？

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。

0 c5 J* A2 j' H' n% J+ Q$ s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。
  q0 I. P% ]/ c8 N0 X" v4 ~
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
$ k( A. t/ Z6 i# p
) n' _) |- q  L# X5 y. t% G/ |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。
% @0 l1 c0 W# ?
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

, M: U! m" w7 y! C3 W8 z+ ^0 g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。

3 }5 {& f) [9 N% A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。
. T& n) }# t5 J" Z0 y1 w/ F
; T2 t4 b" _7 n3. 添加验证码

3 j6 v% U: c% H' |" ?% R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。
! \/ U/ H+ {5 [


2 Q' f5 L9 c6 Z; R3 L% C+ o原文连接：http://www.szw86.com/thread-9831-1-1.html