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？
! Q6 ?# V; X- b0 D0 G
一、分辨爬虫的善恶
/ l$ B; @: z, i* s
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。
* c8 M) D9 Y; X; U$ S
二、如何防止网站被爬虫？

' a! M) E% }' K: D! 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。

' r1 A6 U& E* D% y/ A* |/ i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 ?& w! e. }/ Z  f& _% {  `  j针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
" Q6 `8 _$ D: h7 p+ s
7 X) e  g/ S& s! i% z* Z5 @; G- P1.限制User-Agent字段
  Y  p9 A- N& O- @' B$ x$ {. X
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。
$ g+ r2 R+ e7 r
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。

4 Z. l- }, v7 h) `" p& D2.限制IP

3 k: i7 }8 A$ e& r/ Z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。
5 }4 p+ u" G" l* Q, M
; K' d( Q9 E/ N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。
" m7 x6 [6 A0 a# d5 s8 t  S; _4 s
8 `- `5 s2 c. }( F3. 添加验证码
0 Y* c5 u, Y, e1 Z2 F
" _# C' t# ~/ n+ d+ Z' u7 }! V: Z) s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。
3 l! x$ }2 l3 e! ~& @1 f+ Z
: u' h) Q: j% Q0 C

" U  ]  D9 K5 P3 a原文连接：http://www.szw86.com/thread-9831-1-1.html