|
|
防止网站被爬虫抓取的方法有哪些% _: Z0 }' c: b' P
. n+ X" | a# Q. C9 e- ~ y) w B防止网站被爬虫抓取的方法有哪些
6 F7 W$ y$ \ o; R: T3 S8 l# O1 Y4 C# v( R. @5 y7 t e
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？* p* k8 y' F+ Y7 T: h/ z
, G' J% u: x1 a7 v( ^- K一、分辨爬虫的善恶
5 R% O/ Q$ C4 P8 m. ^; ], Z1 Q* v0 ]. @" T# n4 G1 Q; N
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。, P$ Z' n' T+ ^7 X& `
0 h4 w' l; x _) {8 A. ?- p
二、如何防止网站被爬虫？* W2 _( J* P$ H
! R7 b2 i0 ~: y U% V
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。
7 K# @" S! n& L/ F s c; S4 k4 z% q1 a% a
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。
8 B7 \. ]' i; P0 c8 z& C; ]) v C+ [5 b# ]9 h- s. a" V" r
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。! o0 ^. ]& Z/ A% u
$ h% N, y! ^% n u2 f6 D1.限制User-Agent字段
% h: t0 {4 S5 l. S4 n1 N: b" Y# \* ^: J; e2 }
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。
0 u- |0 w) j+ W1 n1 j' G+ v4 d2 V1 d) T) ^6 \2 E8 {6 v3 i
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。
/ T& U" W* [7 M3 k9 v1 V: E: W+ g1 C
2.限制IP8 r/ p# u- t, n ], p
X# E, t$ q, D7 ?2 a; T
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。 \, a) p8 `8 H' m
' n# i b# w9 ^3 I9 s4 z
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。
3 g1 K4 v* E) B7 B: B; B* X8 J
3. 添加验证码
9 M6 G9 \6 f, m) _% y. [0 V& y$ P/ E8 @* o Z1 v, D( R2 _
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 C3 b# a3 B- d' E! E" P) ~0 y* a4 Z3 o* u
) U% Q1 R" s3 z7 _, O: w
; E. v. ?9 s( I7 \! N# a, E1 i
原文连接：http://www.szw86.com/thread-9831-1-1.html |
|
IP卡
狗仔卡
发表于 2023-1-2 02:03
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
显身卡