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
" Q" S" K* [( j& L0 p8 Z$ D- D
" t! b+ R0 z! I2 y3 S防止网站被爬虫抓取的方法有哪些
, F' y! k/ \& 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？
; ?! n: Z& H5 S( _# W' m9 Q" [7 \
一、分辨爬虫的善恶

. ~  `9 o2 n- o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。
, H$ N8 _* B2 J( o, x
二、如何防止网站被爬虫？
+ h4 T5 h4 P1 C+ Q% K
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。
6 F3 w2 A% S; V5 E0 e; 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。

% G/ h+ H( h7 L* x! G针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
  n$ \0 j5 b) W
1.限制User-Agent字段

* e( @6 Z3 S( b; ]  a& m/ w: ]2 i1 X5 |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。
% E$ E# h0 L4 l) H/ p
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
% Y" ~  }% v5 a- K- M$ i
3 I# z# @% |% _3 v, L6 X2 X! t2 S0 Y' @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。
  }9 Z9 N* U# K& W; l6 o
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。

5 ~6 N: w/ g# U9 D. ]3. 添加验证码
+ e- C) _: ~; X. k
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。
8 G$ E( y0 D2 y' {; L: o& f
- k( M: Z' S# k( _  J* A9 k
) R/ n5 I( u1 q5 z2 p1 T; n. Q" X
原文连接：http://www.szw86.com/thread-9831-1-1.html