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
5 ^% o9 w* a- x# Q5 f
防止网站被爬虫抓取的方法有哪些
0 j, X. |( I* x7 y& Z' T5 I5 ?
0 ^: s% ]1 U0 i2 v0 A! j2 ]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？
6 t- K9 j( E: V6 ~: B# E- d
一、分辨爬虫的善恶
9 F3 ~# X% h% a! I. w& U4 b
! r) l1 C' P# V- \! ^7 \+ M3 M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。
  v+ j) J% |, X8 j6 O6 E
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。

% j" X8 I* e+ y1 L3 p: M' {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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

3 L+ w8 _+ k. u5 p5 x. a1.限制User-Agent字段
9 b: w. c9 {& K' y! _
7 ~4 I9 k6 l! }, O" Z" UUser-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。
  X  u0 L  f3 o# F, W
% Y4 R" w  b: S7 L% UUser-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。
: U; K, W( ~6 S7 ?" i9 ?$ j
. {% K4 c3 T; a2.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。

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。

3. 添加验证码
7 ], k" p/ @9 B' h) ^
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。


. T3 c) L% M+ c) Z( Q( l
4 _* @9 i5 ?5 G$ K7 W% }  g- Q原文连接：http://www.szw86.com/thread-9831-1-1.html