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
. [. R$ M! A0 `6 X' p) H! R+ b9 X
防止网站被爬虫抓取的方法有哪些

  R* A, ~3 X* i6 h, t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
' K- L. ?* G3 x9 \- j: P
' A* w+ k* h, b3 P. w/ s. U7 N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。

二、如何防止网站被爬虫？
; l* `7 S( ]% K: @9 @* w: S* v# H
' R: B) W( i; I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。
  U( x7 j1 Q- N/ A
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。

  ?0 c  X& p% k$ ~! r8 g7 n针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
% S9 H, e' F( I( _7 c& [5 B
/ ]( C! Y$ l- ?. q1 k$ P" [% Q$ @1.限制User-Agent字段
3 r& M0 T4 M. g" i) \4 A
) h7 _( v* j% {" s' E/ [$ P7 b- T9 {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。
# p0 V( f3 k" u: Q# h. \5 @" y6 g3 t3 Y
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。

" _$ Y, |$ e+ P# T9 L2 k" U. q2.限制IP

5 V, A# P8 u* y2 H; m" F( 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。

! s  {& s. h' n% b4 q! N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。

' B, }9 Z' @5 }0 R3 u1 \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。

1 R1 p, f' k/ D( {# ?
9 w( x# o7 S4 W/ s5 E8 l& I
原文连接：http://www.szw86.com/thread-9831-1-1.html