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

, a* L. U+ U+ [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？
: _* y2 D. S/ y  X
一、分辨爬虫的善恶
; c: |5 D2 O) C5 s
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？
% k, J' |3 P; Q7 v* L
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。
$ B2 c; r& G, N3 [3 I; ~
9 x* ]8 k4 ^7 F  ?  a$ T( M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。
& R0 u: r! ~2 E- x* b
8 ^2 s2 x6 W: ]# }% t% 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 ~$ x  a( p8 ]1 W  X
1.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。
3 [- S% r( m; ?4 F; F: v# H
8 A/ p8 m. u4 Y! H. `* Z/ K6 cUser-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。

% _& v+ N( W; J2.限制IP
4 u  ]4 F1 l+ K7 I0 L, Y9 C
/ ?2 v4 z- K# Y- ~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。
! H/ A! c* e. u) ^6 o
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。
5 z9 P/ u$ l1 X4 }0 H% Y% l9 L
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。
6 t+ f' E4 q: E  W9 j% S
* |: M. x0 h  d$ D4 v/ C# Z9 V: z

  N& K% L* h/ K& h1 d原文连接：http://www.szw86.com/thread-9831-1-1.html