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？
. X4 G' y  p# u  h
2 x; t+ k( M0 K+ k4 U# i% x* E一、分辨爬虫的善恶
6 y  N2 A8 r+ e, s! e1 v
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。

/ s# O- L: t4 u0 V4 N二、如何防止网站被爬虫？
+ c: m- l7 `) [+ `1 Y$ X
* j: P6 _; W% }8 X- d6 Q( T/ X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。
( `' q  x( o$ u' c! B
) f7 Y) n2 g0 f2 X6 S% c针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
3 |3 N, u8 }. E! Z! _2 Z
3 t+ d9 K& R% F  S; y% ~1.限制User-Agent字段
. R1 q9 J. f7 t# l) @; m7 _
7 y8 p" Y! K7 i; g( {. S/ `, GUser-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。
6 V0 Z. v8 T, K3 U; 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。
$ q. p1 _* R/ c0 S1 d" j' F
, X% `; P2 A+ j1 x2.限制IP
: @2 k4 T9 K, J0 m. x+ Y; D
# [% Z  r; e# @( c- {6 e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。
! L8 V/ m! C5 e9 J2 n2 Q
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。
: m( {) {: E/ b$ W( p0 C  {, f
6 \1 j3 q5 ?- {% d! `2 Y- n) n3. 添加验证码

2 |- H2 @  t! @' s1 w% ?' L( B, P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。

+ ?2 u+ o, e8 A8 j# F

# C! K: x! Q( i  `' @0 K2 O0 F原文连接：http://www.szw86.com/thread-9831-1-1.html