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
$ N" y# {$ P4 w6 R2 v1 R
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？
; m& c8 T4 s5 X0 R3 E/ b% n
/ b4 U1 _+ c' p2 d7 b* Z一、分辨爬虫的善恶
7 D' h# o$ i0 h: _( H! I
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。
8 x9 j/ R; P3 @* j) W/ W' |) [
二、如何防止网站被爬虫？

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。

5 d( e7 d' c% N3 ?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

$ v3 F, C! d! H0 A0 C, P" f3 _1 QUser-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 v! M- [" h0 y4 ]7 E
8 o7 ~0 Y$ _( I( B# NUser-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。
; D. a2 X7 l# F* g7 s
2.限制IP

3 W. s3 f& E8 v4 l7 ]" t0 F; 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。
9 o, \7 M2 e; ?
, r) s: u( W0 @5 ?0 ?/ y) h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。
3 a) f+ M4 [8 r: @' r' u
3. 添加验证码
, _5 F. _, V" @1 H# J3 G" E
4 W7 B  x  c1 I  J& _9 \0 e. z' ^- I! |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。
1 C/ v* c6 y1 z4 g
& o% V9 E. r5 }

; T7 l5 l% m' X, W( }原文连接：http://www.szw86.com/thread-9831-1-1.html