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
; ?# @1 y6 c' h' v, |
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
; l- B4 \& j1 c. g' T
! f: R- ?* _' _$ h' D8 p. o3 u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。

+ `* W0 b. M1 g# X2 R& Y& \/ n* q2 D二、如何防止网站被爬虫？
+ t) z. G- Z$ M
! r; C8 g& E3 F8 j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。

# A+ c( z1 \6 ]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。
' _* Y! o6 U  V0 o# f+ x; V
% w1 U& H0 T! {" Z& P4 R针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
  }4 S7 J$ m; c+ m& i% k+ @1 j
' G4 J% Z8 n, {) n& w1.限制User-Agent字段

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。
  m; q& ?3 A5 x7 |, l5 _
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。

) Z9 ]7 B+ }9 x4 Y  w2.限制IP

4 j( s9 m8 Z/ i# c+ ^. T( x/ S6 b: s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。

2 t& F0 q6 l. \  o3. 添加验证码

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。



- b1 s8 f% f9 V. [: h- e7 G/ }( C" G原文连接：http://www.szw86.com/thread-9831-1-1.html