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

' s% M: f( s5 Z: c( ?防止网站被爬虫抓取的方法有哪些
  E6 S# B5 f* V& f$ y
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？

3 ~$ J7 A" u- H一、分辨爬虫的善恶

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$ V4 X1 \/ f- m2 W, Q' L
9 `% c6 A* _! F" ?9 F二、如何防止网站被爬虫？

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。
% _4 Q1 D! j2 Y, C
$ i# q) P  x$ h. q1 H7 b. u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。

2 B) h: J) Z) W# c# k8 P. Y针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1.限制User-Agent字段
4 r  Q0 Q/ h" }* q+ m( j
! [# }, a8 V; y* ZUser-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。

! n( z9 ?! _' s6 {* pUser-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。
6 o) x& D, ~- \" r4 f
" m" R4 j3 ?2 D8 B2.限制IP

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 C$ O6 l! f) \  G; r3 ~$ W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。

# ]9 M1 Z8 v* A$ t' T0 W1 U3. 添加验证码

! R- B" F  h( N! j4 |' k9 X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。
# m6 T2 V- _1 L% f: m
! ~: [* N- g# m/ B) O" G  S6 _! N
4 ?" o, U' |/ i5 X- Q  c7 V/ s
原文连接：http://www.szw86.com/thread-9831-1-1.html