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
2 u+ V; Y8 Q0 V3 V1 A) f. h
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？
" g$ n; f7 U7 ]; Y; U
& f* D- v+ e. u5 r! x( O2 P一、分辨爬虫的善恶
% Y1 S, B/ h2 R* A
# Z7 g$ R$ @. i) T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。
. d6 x$ U  \0 F' {
1 X% N4 H+ |. d% R二、如何防止网站被爬虫？

/ o4 z3 S; N! V8 [  r; m6 F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。
  Y- O# M2 \3 Y1 E
0 G  ?) h2 ?- l0 Z  h. s: r( _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。

' e% m$ n! R# X) d7 M4 {" X7 H针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
) i/ f0 l8 s5 q4 `( v
. n- ]% K5 b/ k  {; s1.限制User-Agent字段
. {+ Z- f" q2 w' g0 G8 b
; h# r+ T* z- N" T; aUser-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。
7 b5 k. \3 E1 x; r' y/ t4 e0 e
# z% M$ u0 g$ Q0 s8 v8 H# h% c/ q# `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。
" S# `& P8 c: T; v0 n9 B5 ^  m
' O5 f9 t% h% p2 @& V2.限制IP
; [5 l* [% G( h
0 Y8 m. V; r; e, p$ R3 W4 a" U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 \+ x- D' i4 D' B
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

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。
7 Z* t- a4 m+ C. T' p% I
7 q+ F! [% Y! `: h
5 {: z% c, m) D# b& t8 J$ s
原文连接：http://www.szw86.com/thread-9831-1-1.html