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

; |; Z/ U2 V' K  `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？

一、分辨爬虫的善恶
. o* ^+ b; S# K0 D6 y/ K
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。
0 _0 [" s% F. t- Q- A
二、如何防止网站被爬虫？
! h, J) q5 y' u4 K% [
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。
& b6 d% q2 n& |7 M
2 Z. |: P. B0 X* A9 U$ ^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。

* `2 {0 A' C! r$ G针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

" @$ G/ [# }$ Z& y% @* ]8 ~) @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。
2 I6 t& X, _% y0 e& m
/ Q: h9 [4 r' c) x  ZUser-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。
. l+ V; x8 q* k* `* B9 ]4 Q8 V4 ]' {
4 t/ X1 f  I. N) ^' g4 E% O, B2.限制IP

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。

- K& J7 d% M: D7 V9 I  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。
% t! t! d& L. v" ]2 b0 \
9 M# l! ^7 _4 B0 [' U( @& p. ~3. 添加验证码
5 a0 H6 ]% O" T* |
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。



原文连接：http://www.szw86.com/thread-9831-1-1.html