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
' x. t0 W# k; I: R" |
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？

, X# Z4 `/ O( q3 }6 ?( _) I一、分辨爬虫的善恶
8 J0 e5 K5 \# q# \& f; p
0 O& l2 t% t( p  T; |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。
' }2 O% {) P$ b  }0 S  t! U
. A5 f' ]* h; e二、如何防止网站被爬虫？
" L: D6 {. }2 x! {( V! B& C0 Y
1 y, C. m; @* 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。

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。
. K! Y5 A& G' b2 z6 o: ^
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
% s4 S' N' A- `
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。
6 v7 f$ O8 U8 y9 R& q& J
) t5 W1 P% F& _0 bUser-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。

- f  F. D6 t! l+ [' R" ]- _) W2.限制IP

/ Q) \, o/ U( @9 {8 w+ \3 o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。

9 A; d4 R) f' l4 |/ 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。
$ ^; Z) r' q# U$ }* p
3. 添加验证码

( A: z. D  X$ H+ C& ^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。
( o: O) B3 `+ K5 P, L2 x
3 u! N) S1 X0 C# t8 D
/ A/ o! `& @: q0 z3 u+ @9 t/ `% `; v
4 j, c; ^" i, k, T原文连接：http://www.szw86.com/thread-9831-1-1.html