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
' _* l6 Z6 _8 j* d% L# ~
防止网站被爬虫抓取的方法有哪些

- b5 H1 N# ^2 d+ k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
$ {4 N3 ?  y. x  C6 w7 A+ S5 B
3 H5 ?# y; _( y. J7 O, 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。
$ b' o! J9 n; \& g. q3 N7 D
二、如何防止网站被爬虫？
# s3 I  E& z* |+ T) {+ A* s
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。

! o: B+ Y3 x  c2 f$ M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。
& }8 i) V6 c. d
& P, w- m. U6 I针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

8 y9 a* ]2 C% m0 T$ q5 |1.限制User-Agent字段
; B" B# Y1 e; l' Z( Z* T, g
" S: @6 X: q% t$ q8 \1 v( W2 uUser-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。
1 O  b' ]: T. \1 U  s
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。

* T( d9 S( R8 F/ Y! k. J2.限制IP
. J2 J. x0 ~, }1 |! S# k. @9 C
( w  ^6 Q$ Z$ b2 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。
; F) B3 I: ]+ _. _3 M: |; e( g
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。

. {: |+ `6 M! S: ?! }- p3. 添加验证码
! L" h3 t0 b) q
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。

! d/ p! k  U7 s) W. }

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