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
/ L8 e7 K2 a. n: F' d
防止网站被爬虫抓取的方法有哪些

% r: T. O" w; a9 ]8 h' t3 X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 `! n8 e5 q# N9 o0 Y, ?
一、分辨爬虫的善恶

: N/ T& L' W5 l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。
, d' m+ b9 x+ _( m- [, `  ]
二、如何防止网站被爬虫？
+ W9 E- t: I8 Y# \+ u# }6 r1 R' r) M% W7 ?
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。
8 |$ v) E* s& `' d1 f- o. O$ v
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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
% q8 M. N- i$ p9 ?
5 r. w' _5 i: b1.限制User-Agent字段
5 a5 e. z) j& c5 f, D/ j# M
. u& y) P1 E* VUser-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。
" c+ C+ ~9 H) r" r
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。
9 X# P6 z: b! ]$ U( e7 E; O
; e5 T4 Z4 q0 u) {5 E2.限制IP

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。

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。

, L! ?& u  ^. ]0 y. Z! x- k3 h3. 添加验证码
3 }3 ^: q  [- `9 A$ _& J9 o
0 X( x1 p9 F* ~2 G. f+ i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。



原文连接：http://www.szw86.com/thread-9831-1-1.html