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
8 h4 C. e8 ~- p! d/ [) g: Z" Z
5 L( Z3 i0 r3 s5 j& n" W. \: E* y防止网站被爬虫抓取的方法有哪些
% L4 ^; o- r% z) [. {, q( f0 O
+ u; K: x: t" T& u# F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
( T$ \2 K  H/ }* ]) y
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？
8 H1 \2 Q# r8 X2 u. ~- |
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。
  w' [. l  s6 b2 |1 x
' I# D: C5 E: U& 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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
* C; L$ |# N1 v1 J- \, v% E% Y
1.限制User-Agent字段
/ }$ ~& J$ i0 V8 {
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。
4 v' j( y) A$ s5 u# u2 r  u
. O$ S3 c/ ?" P7 L5 p+ DUser-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
& }% g3 |3 x& w3 C* \9 {
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。
: z$ v0 p$ l+ b' \. J
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. 添加验证码
+ p" X7 X: M4 q, b
( W( s& d9 P) X! ?- 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。

+ j0 a7 ?! }3 P1 }) Y2 Q
% q- W! d0 w0 D+ ?
原文连接：http://www.szw86.com/thread-9831-1-1.html