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
& s% n+ |1 N4 S& O1 H7 g  X5 W, X
7 x' V- o0 P* L% r- O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

* L7 T: _$ ~7 c% ^- E2 M, U( @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。
& c* W+ u; p: b
二、如何防止网站被爬虫？

4 G5 s) {" r# Q8 D( A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。
6 u* T  e: y5 `
, I1 J4 y0 z4 n, e) _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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

+ a0 r2 Z' S3 m, N! ^1.限制User-Agent字段
* o. @4 q- h1 M
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。

4 @/ a$ X9 w5 E5 q3 \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。
8 C8 ^4 v  F9 N0 W
" d  M( ]8 i  E0 ?  ]  m' F' {2.限制IP
# h# z, w- i/ F
' K& `$ F8 K# r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。

3. 添加验证码
( n$ ]6 ?& Y/ c6 O2 F" @7 w
, A4 v$ l  w7 c9 f2 Z: z* ^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。
( u; c9 W2 z7 m) d# W! R( S: Q
0 t6 T! y2 S' f% T7 J7 K

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