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

0 Y6 R% A# m1 ]防止网站被爬虫抓取的方法有哪些
0 P: Z3 b, h9 P1 z) f& n# c: @
" e7 D) |# y; C; b' S" {- g) ?+ 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？
' t% {8 U  q; C; `+ p
+ p8 Z0 n. \4 `3 c6 y# k) V& `- v3 p一、分辨爬虫的善恶

7 I* R2 V5 p' b/ G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。
. A( K# E2 f! a1 Q) u2 w0 n
二、如何防止网站被爬虫？
1 S' g+ a7 K. ?, B' h: K. S
8 k1 d; R6 ^7 f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。
! |! r! F! T1 w8 z4 p2 `, i
' y% E8 ~6 D3 B- d# L7 C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。
/ E0 U: W  B! C) c/ G/ w; x
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。

% t3 {  o) o& `, J1 {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。
3 o- ~, k8 q- B) n3 J# a( J
2.限制IP
/ p  C" B$ I) g# ?+ K2 }4 q
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。

0 D; T* O- }! B, y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。
7 s9 s, Y+ j' R7 E2 Q" p' C
3. 添加验证码
* F% `& q5 [6 ^) }% u
5 i8 y3 Z& T' }+ ]0 w1 c" N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。

& C9 p4 ]" r4 M5 U! v

原文连接：http://www.szw86.com/thread-9831-1-1.html