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

防止网站被爬虫抓取的方法有哪些
; V4 E% e2 n1 b. f  b: u) `, p0 A
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？

" C5 K5 \( H9 @' Y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。
9 ~% t) H* i' d1 [, D  g' Y
! n4 q, O8 W- s2 T, s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。
! p  R- C2 E7 S1 I2 O. |( a
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。
, E* c' ?5 Y. s! ]! q
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
8 ~1 G/ x, {2 ]- p
# a5 G$ h/ Q4 T: [7 H: l2 N1.限制User-Agent字段
* k/ Y4 K0 ^# |; }; z, w* P' T
- ^+ j( |' v+ l- Y! y3 XUser-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% x6 _* W; E
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。

2.限制IP

1 k6 U, u1 \) {* C% y7 y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。

+ W: y4 ^& o4 x6 s: ^+ {  B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。
) _0 m& Q; T7 G+ `0 s7 I7 i5 W- p7 F
3. 添加验证码
5 L# x- O/ Y0 U$ v+ q. z- C' |
2 V: \6 _0 H% v0 L5 H6 C, B" x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 |% K& U* z! }6 ]) }0 e
4 K2 H, h+ J5 [4 M原文连接：http://www.szw86.com/thread-9831-1-1.html