|
|
防止网站被爬虫抓取的方法有哪些2 a; U; W( S+ v) B. k+ z1 X# t/ o
# B; w6 x& q4 R7 d' k @' O4 t9 X! \防止网站被爬虫抓取的方法有哪些
, x1 J) A4 C" u9 p+ C( T) |2 G+ G) u5 ^. q' t& b" x
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？
/ `" {8 V6 w7 N( ^# ?! |; A$ V8 G2 o, ^% ]1 o
一、分辨爬虫的善恶
5 Z& v7 s" }: D4 u# d0 U
$ l$ S9 Q9 ~# c' F) p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。
, I: w$ b; U4 b5 b$ g2 J. j' @! ~7 P' m+ C4 G- n) Q2 {7 \+ m
二、如何防止网站被爬虫？
0 I/ _5 B x; h5 ]( L
: D8 D4 `- Z- [: ?% s1 r+ i! g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。2 X$ a% a3 [ o) h5 n( l. w
3 g- e6 A/ e5 T7 q2 ^: l4 _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。' H: N) t8 l9 B6 V+ n$ |
2 P) W- ^) x; b" L) V B) J
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。+ v4 @0 |+ k+ } `
$ W+ ]8 ]2 D0 K
1.限制User-Agent字段& Y& e7 W* ^! D* e" q
4 m! t2 I# h- ]/ G! ?* ^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。
/ A& u: U+ S% i% y/ F/ Z0 C& T' X9 X9 Q2 Y2 C* ~2 k& \
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。
$ G1 s" E* r6 r' u2 g) i$ Z1 A6 J$ S5 `, _' @) y
2.限制IP8 q* o2 S( O% ~% B
% q! j# y7 _8 S, R" P( E: a
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。
/ e- N( N$ H" S- h7 f, `" z3 h u$ c& i3 Q1 e4 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。
/ W/ m/ p" K5 C) F# u
3 w$ |7 S! M4 F: H# s* D- m3. 添加验证码
$ a a% [2 r7 z# b6 V) k! _4 u0 Q' h9 a* [; x( E! t( e
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。& v: d' k p' _
% ?) a ]7 U9 W! ?# k$ F
* q9 M- T3 g! V' T V% R3 o1 `! S6 J6 ~ C5 S! `- }
原文连接：http://www.szw86.com/thread-9831-1-1.html |
|
IP卡
狗仔卡
发表于 2023-1-3 01:24
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
显身卡