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
4 G0 [& W% A0 I% t+ o! \* K8 C8 Q
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？

8 c$ k( w7 E4 L0 J# O$ B+ R一、分辨爬虫的善恶
# y3 {; t1 X8 m1 u8 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。

二、如何防止网站被爬虫？
1 x9 \! o: l+ B& ^( _) ]
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。

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。

1 |, J+ }. p$ B0 u' J* \; f. A0 z: I针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

; d- L% K0 l  ?7 o. g# R1.限制User-Agent字段
  R7 `: q1 M% C7 |  Y
, I% ^- A% i8 Z6 g& l" QUser-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。
& Q+ A% @) t3 H: ?, j" m" V
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。

2.限制IP

( L8 m' ]) x1 \8 i$ m" d2 l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。

/ F9 z# ]! ^- k$ [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。
/ |0 A, t7 E$ S5 A1 V' ~3 s
+ k+ u" Z7 K0 S2 v5 Q3. 添加验证码
9 g; W0 \0 q6 G8 N% @2 y' W3 ^
3 a2 g; C# p% A1 s, E3 A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。
' ~$ Z: O8 u. M

2 v! R) A( e* q% I1 `1 x% F5 L8 P
原文连接：http://www.szw86.com/thread-9831-1-1.html