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
6 J  y) v  Q# K
# C4 y1 X1 V8 k3 n/ g* p9 n防止网站被爬虫抓取的方法有哪些
9 A1 O# H7 h& B
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
- x% |7 z7 o* ?1 ]5 k
, B. \& t, R% S! E/ f( A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。

+ h+ C1 j& \5 s- m+ X  Q/ K7 B二、如何防止网站被爬虫？

) K. T: k5 j" ~; T/ `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。
1 }- R# s6 q7 S$ a2 o, u; M/ k
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。
, R- A$ h2 w8 \' s% x
- N% w: Y/ N% a, \3 ~- w6 n$ D1 _9 \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

: Y' A2 a) U+ D7 @" _& p$ sUser-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 E5 V# g; V" X* ?1 w( I( R
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。
1 a0 `& r) I) J. d+ V
2.限制IP

4 s; i, o4 a- ~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

. w+ Z) S& |8 ]: A* B3 v, o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。
; f! C- _* F. w+ h* }1 v


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