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

防止网站被爬虫抓取的方法有哪些

0 T3 q$ f0 a9 e" b* j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？
4 w2 `( b0 F$ @; _2 [
一、分辨爬虫的善恶

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？

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。
1 Z; X$ |9 q9 w9 o0 ]. Y# E  ^" |
- c% Y8 u. `6 Z, p: l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。
# h& f2 U2 R' d, S5 S
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
9 Q' y$ X! P  U+ C1 E
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。

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。
+ j4 |, }; P5 Y9 N
" S! x: `% j1 \: Q9 ~3 Y4 D3 ]2.限制IP
4 C3 R$ u' @3 |, [% c, y# |
) v4 l$ a* d- t. d/ e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 w& w5 M$ Y) M! M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。
- k/ Q; [+ h2 D- F
3. 添加验证码

2 }6 f( S5 H. [  h2 T7 r% U3 q& v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。
& {/ a2 D7 Y. J
: ^! Z& G9 `  r
1 B1 }7 ~* x1 X
! B- r; W" i. \* {6 h9 t& W6 U原文连接：http://www.szw86.com/thread-9831-1-1.html