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
1 B& W! a8 w# G# p8 x7 E
防止网站被爬虫抓取的方法有哪些

$ g5 }: B% ?, R9 x) m# P8 z9 I2 q* h  r, }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？

) e. I. C$ n, ^; F$ j! R, Q一、分辨爬虫的善恶

& x7 s* \  {5 v* P9 g, |9 w: Q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。
6 h1 N! G- j5 P: w8 Z
二、如何防止网站被爬虫？
6 p) o8 ?4 ]5 s" {. r# D. e- [
3 [: f' i5 e( 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。
6 U& J" `& V5 j0 l! R9 {
" }- N& a* V7 p2 P9 z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

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。
, e' T- k, k5 n& O9 W7 v
" T2 U6 I$ }% h; eUser-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。

2.限制IP
9 E3 B' |& K9 e/ F) 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。

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。
5 n, H' w. c; V: N& }
3. 添加验证码
" o5 q/ v0 F" ?
& j( {$ _# Y9 N6 X& o7 ]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。
5 D) q# i4 G4 |
. j6 e( @1 X* K  X; \

1 [  e% C5 z6 ~8 O原文连接：http://www.szw86.com/thread-9831-1-1.html