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

" w0 \. F3 ~4 e# m防止网站被爬虫抓取的方法有哪些

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？
6 }3 _) z' H) U: Z2 g$ z+ u
一、分辨爬虫的善恶
3 F+ Q6 r: T( t! w* ^% l2 Q
1 \9 `. H- U& x' ]! \  Y" c9 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。

1 t) u1 ^: L& \二、如何防止网站被爬虫？
- Z8 v% b" @* }
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。
; `' x% j% i: Z' 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。
3 |5 r! \9 D9 @' Z: T" ^) ^$ S
  e" O7 T3 f% _4 q3 j! @9 E. q1.限制User-Agent字段
7 l1 Z2 b9 h8 I6 t
- N1 |; P% Z( P: |9 J! cUser-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。
+ [* D5 D1 d( p7 b: `/ \4 y
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
! Q' D6 j" U8 e- g0 k. G) |% V
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。
! N/ I9 d$ M) M8 y
3 d0 q, c1 b/ c! h1 U. y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。

! y$ ~7 U# }; C3 h  O! W- f3. 添加验证码
. M: g* H5 W; c! b$ k
8 r8 ]' s4 a% S' Q  \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