|
防止网站被爬虫抓取的方法有哪些
H: b/ h6 F5 W1 Z2 r g
- X! V, m* P2 ]. N% u防止网站被爬虫抓取的方法有哪些0 H5 p/ C( C* e* Q
+ U" _0 c5 J( K% A5 o5 M0 m) q
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?
9 K3 y+ ^+ Q9 @) }; `- h& V
0 I; g! R) t4 Y, G. y一、分辨爬虫的善恶) S( W$ q" f1 s& e5 Z- R2 d
# Q" I8 ~6 ?5 @' b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。; r Q+ R8 s. c ~& G
8 @" }+ T+ o' k r
二、如何防止网站被爬虫?
. B8 }/ Y8 ~$ x
1 t* D7 K% P J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。0 z4 j$ N& R- j- J/ k2 j) j
5 ?2 X. T& h, {- _" U$ G
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。
+ o! H; G. \8 M$ a5 K" I
! [4 |5 T. G$ W( M& b针对恶意爬虫,我们可以采取以下措施来识别和阻断它。) s8 E7 N( v0 J( i5 r
$ ]* f b% s- Q: i, \1.限制User-Agent字段
: V5 }+ q5 n* ^3 Y7 J, s/ S
& ^' F# P$ N" t7 D, JUser-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 S' T0 a' P# X: }
2 m( S( X/ N: b; E, T* c) |+ gUser-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。
& X3 ^6 @6 Y/ q! r' |4 B% r/ K. i6 N6 r6 L7 C& Y4 A
2.限制IP
4 f' Z- v. M1 a3 B v7 c
; k9 ^+ d$ d# k% w$ @9 |; Q" x6 b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。
+ g r) L% G: T; l4 p# A6 F0 d; m1 E5 h- ]2 O7 G) O( k H( u0 G3 y4 o
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 H0 D% U6 D; P# ~! [* o- J
: s9 ?' g. M+ p' n+ X
3. 添加验证码. C0 }" \5 P& V# }/ r
- ]0 ]5 O6 q' c1 I7 n: d6 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。( u4 @2 p) Z' L7 H# e
3 J' s$ ~! X f5 }- i
+ T2 D; \* l6 u9 N" E
( V8 d) M7 b6 t, e; @, R, e原文连接:http://www.szw86.com/thread-9831-1-1.html |
|