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
) {& s& \/ P( M* @
防止网站被爬虫抓取的方法有哪些
( L4 s  t/ Q) ^4 G; P
3 X( T) T1 W  @7 {- Q  i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 `1 I( r4 p4 N
一、分辨爬虫的善恶

4 t% V  x4 k% Q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？
  j, R+ Z# H) ]6 m
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。
2 ]- b& A% ^( b8 \
  P. }! o; Y. R0 u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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
6 Y* `( H& t! v! R" ?* H
1.限制User-Agent字段

4 Z' `- m- P2 {4 N3 y  P( Q' \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。
$ b% C; ]8 ?6 d- q2 K
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。
$ b1 k  U% Y, t. h
2.限制IP
. {% V+ R: u% v* x
% D& J  ~! e7 N" a! B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。

4 r; V" l0 w6 D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。
; d! N1 i" s* T2 U8 _. \
3. 添加验证码

. \6 R+ N! U/ r$ @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。

, x0 F3 v. j5 m; s- c4 ^% s

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