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
% Z/ o- \" N4 x) l/ @
3 c1 B) p2 p5 O" Y4 Z防止网站被爬虫抓取的方法有哪些
# l! f% N8 C4 D/ W7 v# D1 m9 \7 p$ N) T
# c7 c2 j: {( @( U+ Z0 o4 `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？
/ ^5 V; M, Z  Q% j/ J
一、分辨爬虫的善恶
1 u  m% [1 \" I4 M  ^) P/ }' b  [+ A9 D) b
0 b- I2 w+ @+ j+ J) D4 }' m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。

二、如何防止网站被爬虫？

4 Z% k! T/ U. Z: ?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。

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 N8 o  l) U" O. ], L
; `8 \: ~+ G' b针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
% ?! N- F1 i3 D2 p
: X8 E; |" W4 M+ b& O1.限制User-Agent字段
0 H0 ?  x, F) j( b
. j' ?+ }" c2 Y% E. o' v- iUser-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。

. r" P( Z) B  `' Q( y: WUser-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。

- p. J6 x" u, f7 d2.限制IP
" A- V9 _% `6 N) f" I9 k% d0 x9 ]# T
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。
4 q8 S# }2 r; E0 [4 p) 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。
, @' ?: [9 Y7 F
3. 添加验证码
" t) _1 V' }$ d' j8 ]4 P5 `  H1 R
6 |$ G0 X: I0 v- i% N8 |# V4 t- J7 S) K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。
8 Z8 Y  J; H( a, Y8 Z% U( O
8 e3 g9 V1 P. c
) D6 ?% S9 V8 f' n1 Q
9 Y( B, S  F  S+ S& f( R! E( I原文连接：http://www.szw86.com/thread-9831-1-1.html