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

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
; L  r% n/ L" {
' x: h9 R7 f: U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。
" v4 m+ n, \. g  W1 T5 ]4 O$ G/ f
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。

: [% g2 E* m8 }5 l) l- N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。
; {& N  }$ i* {1 r& ^
% O: D1 O! G3 T  ^3 j& O针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
$ q& d" y) q) P" u! `
0 O: Q: C# _& a0 D( `6 T1.限制User-Agent字段
. ^* I5 K: J, O) p& ^
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。
* t3 j1 X, I! b% a7 _- X
8 o- _8 Z/ ~0 U* y: Y+ e; t+ X  }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。
' G2 b/ V  @4 n8 i, Q$ l( B
2.限制IP
4 Y* r. q& ]8 M5 C9 A+ Q# k
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。
" ~) m; V! U1 o9 W/ q" p
- o- @6 R4 {( y; Z) m4 t% A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& k: A) n% B$ ^$ Q9 |
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 [8 N$ f: o+ J* y
7 {7 y8 m  q# [$ }0 N
3 s2 M. m8 x7 P0 C4 c- A原文连接：http://www.szw86.com/thread-9831-1-1.html