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
% [1 [5 E8 w8 @) \9 m# O9 {1 [
防止网站被爬虫抓取的方法有哪些
$ D8 @1 U$ o) `3 }% Y3 w/ V$ P
2 E2 J* U$ U& y: k& h7 ^9 @8 S( _9 N& l$ Y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？
* }1 H" ?8 f3 Q8 |
一、分辨爬虫的善恶
4 Y8 s% S9 H; d. O9 c3 F5 {* c% d, u
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。
/ ^/ [+ s2 J6 L0 R. z; a/ @0 A
; t9 n; y* k. d' x( T/ U二、如何防止网站被爬虫？

0 {( W7 ]) F0 G8 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。
  A2 A5 _  A5 V' X8 I# }
) D2 e" o: Q) _+ X- |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。
; z2 A+ p+ S5 a; {8 U
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
- z, w3 s$ H! ^5 ~7 ?
1.限制User-Agent字段

( C0 t. B! m0 j8 d8 T: R, \7 NUser-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。
0 H5 U# z# z( m: {1 I
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 b" c7 L2 p$ X
" J+ l! ?: N+ d3 Y$ A7 A' c2.限制IP
( Y" g5 M9 U0 X
* _5 N% ~1 p  M: V0 k8 z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。
% _4 D  _5 L: [$ {3 v2 t1 y7 }
% A5 _9 W" ~, j) d% G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。

* m3 U" C6 X9 j! l4 Z7 H0 B3. 添加验证码
/ E3 [6 V3 S  i# \3 k
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。

0 d' k: c7 j7 i: h7 `* h

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