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

- Y: a  `# m  h& K& A防止网站被爬虫抓取的方法有哪些
5 y; }" [/ X4 v: U  a% A
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？

一、分辨爬虫的善恶
; E' u' R" r7 s' d, ~. O* x$ V
$ n9 m: z0 A) L: B, V! h" o- X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。
7 G: N3 n% B1 h
! o. M5 E: }+ U7 g二、如何防止网站被爬虫？
5 c. K0 F' |# [3 |" V3 r
, W$ ]6 m2 F9 w4 p/ l7 Z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。

7 b; j, _0 q* A) |5 |针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

5 F: z, B; H( m4 ?1.限制User-Agent字段

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。

) h. t0 {2 F/ }5 z5 L% B: i6 BUser-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。

; F! U& A1 ~0 e2.限制IP
* ?/ e: o: j; P
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。
7 W$ @* X& t/ F* d2 C# F, ^
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。
/ r; r1 F" c0 ]8 Q% m
+ t  M( j1 X. Z3. 添加验证码

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。
" k' k. C. l% }7 p( s( `* ]
# X# z* U; J  N  @2 \8 n
1 H2 W/ _* S( [8 e1 \* S! N- N; }  ^
% b9 e! V) l1 ^. l$ \5 ^! g原文连接：http://www.szw86.com/thread-9831-1-1.html