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
$ }: y9 i0 `/ g1 b% G, X
防止网站被爬虫抓取的方法有哪些
% T; |- J1 L5 I# |0 u& s
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？
0 P9 n! a' l* u, L
% }# L/ _9 m8 P) J  r8 ~一、分辨爬虫的善恶

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。

二、如何防止网站被爬虫？

' d8 ?& H3 w2 k) E3 A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" k# E7 w- v
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。
& h. b7 A5 n4 k" Y2 ]3 M3 E
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。
3 H! I& W& X. C! \+ a; s6 G
  S# `4 r+ ]* q% U. c) XUser-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。
- o- ]+ h( d4 C1 d' E. V% \0 O
2.限制IP
" i% |4 ]7 j9 t1 J
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。
( k9 D5 V; ]  A4 X/ E$ w
* ?- v4 x( }; E6 L3 ]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

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。
3 l7 f; [% ?% V1 K' s9 P
. O8 I4 s' q( d3 c( U
7 R! f0 m8 t! T8 M" R( E% U
8 n% ]- f: X/ b原文连接：http://www.szw86.com/thread-9831-1-1.html