|
防止网站被爬虫抓取的方法有哪些
& E2 {% R! y! i/ N4 c1 ]* G! H6 Q. O0 ~% z9 e- p2 o& I+ X* b
防止网站被爬虫抓取的方法有哪些3 J) k0 P w0 c& \6 N7 B7 t# n# g
% F/ S$ M) U3 j
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?
8 B7 h/ [' j: }( c3 t6 R9 V) P
E$ }. f; r. z" m/ L一、分辨爬虫的善恶
- T- x: O- ?* ]+ A0 }# P0 Z$ t7 i: H) ~" x) j$ p+ g% B
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。
* ?: o s3 ?7 e8 V! n) Y$ \! {) X- ~6 k U5 T3 d
二、如何防止网站被爬虫?2 [& w5 G! R% F9 G/ ^
?1 d6 m3 E) ]: v0 p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。+ |3 a, ?7 r3 o2 E. p/ b
1 Z+ w Q7 \& }9 z0 g7 H. c$ U; `$ y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。
! U! e+ k; B% Y; v) c. G! l' d; F' Z6 o" b
针对恶意爬虫,我们可以采取以下措施来识别和阻断它。5 K& \: r, s% D8 w$ S
9 p9 O3 Q, W/ n
1.限制User-Agent字段" `+ b/ G: X/ R8 W( x! O
4 Q2 r4 ?9 h4 f* ?5 z5 a& S
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。( p. k8 \3 _! ~+ i' \8 o) q
7 k9 m1 } _( V, K" o5 x3 r5 ~: W0 IUser-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。
0 g" ]$ ?& R9 W
- R/ K. M3 q( Y" {; @6 T1 j2.限制IP
2 A5 h2 }: A- w3 ~: W+ N1 D2 d, [4 K8 ~0 _
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。
1 S! Q5 N+ J+ I/ g2 I7 k! ?9 [- `, R" k( M O. a/ 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。
% x$ L! a _3 C; l
5 [$ a2 h# e9 H- e0 L3. 添加验证码/ r5 p6 l8 Z1 n( S3 T! `" {
, z: O" y, J& \% Z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。
' P6 ~6 [" r8 a4 Q- P u8 j% t( ?% D _+ `) o) U* k# }. R
/ w4 b# A/ Z8 N; _* r" Z5 z. Q" M, o; L2 b3 q; u% r M9 e
原文连接:http://www.szw86.com/thread-9831-1-1.html |
|