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

! e% M5 c& Y$ q( Q8 r# f防止网站被爬虫抓取的方法有哪些
5 n4 P/ N- E, p) I8 T) {! w, M
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？
  D7 o1 d7 s2 g) \9 D, \) I
6 Z  V3 P5 V& e# D# x# t# `/ `; h& W一、分辨爬虫的善恶
3 f- ^; z( u! _( g3 e8 o4 C
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。
+ ~3 z/ B- m* [- a# n
: W$ n+ p% l( G# M二、如何防止网站被爬虫？

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 w  o0 ?/ }1 Y$ ]$ n+ c
) g5 J+ Y5 p, |& x5 G- @1 z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。

" H+ `* H0 I5 z针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

, U, L* A4 ~. `& }- f! F1.限制User-Agent字段
# `. j! M/ l! o% [5 l" b4 s
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。

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。
" _/ E- S: O4 b& D# c+ p% A7 e8 w& m
2.限制IP
5 B5 v! M6 N2 Q9 }2 G/ r( Z7 ?
8 w3 C- w6 P' n. \3 o/ ^9 _4 c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。
+ z8 P2 ^( Z6 b" M1 q! Y$ w
5 m$ M9 [& T( x, _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。
! f) h5 h& l6 C/ e
3. 添加验证码
; _! ?' B  x  K4 X
+ r1 @! @+ B7 _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。

( [' ~6 A; C1 d# N

6 q! M/ c* q: |1 x0 \2 D5 c原文连接：http://www.szw86.com/thread-9831-1-1.html