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
  U- w: t5 c( g- _9 L- j
$ t9 R; `4 P) }. d: a* ?& G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？
. Q. z' W$ G" F: ^7 X; E/ @
一、分辨爬虫的善恶
, p+ m! T, z( \( R; y' m
6 u4 Y& G+ N, G% u' h- e" j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。
  s( w; r- A! H" u6 B, S
$ ^' g( r4 q5 }  u9 p8 Y. V4 ]二、如何防止网站被爬虫？
4 b5 b1 M" L9 B# W1 {
5 Y& Y, G" D6 o0 C! {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。
4 n) ]6 t+ H# L2 j9 u9 R( f0 [
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。
- i% |, O3 C5 w! W# y
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

3 f6 ~( x  Z; _) t! @3 k2 o1.限制User-Agent字段
; I2 c1 ?7 G: p5 w( r8 C
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。
) B0 {1 f! Z% g/ Z
" r$ U( D0 H: {' G$ \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

0 o! Z$ g- n/ I! D& 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。
1 t) |  C+ J* T" j) T
3. 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。
. Z; [2 h$ [# k, Q6 V0 \( [
. t# w5 f+ ?9 Q" ^9 @; E
9 e: G( H  w7 B9 t3 Q6 o& n$ T% e4 h
原文连接：http://www.szw86.com/thread-9831-1-1.html