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
* W; H" I, H% Q- w: Q
防止网站被爬虫抓取的方法有哪些
9 C  z. a0 c; w5 Q$ {& Q1 ~2 L
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？
7 T) ^, N2 d$ }, y1 \
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。
/ p+ e+ |7 q5 }9 S  T
- j' O$ P5 f# m; i二、如何防止网站被爬虫？
# O) h6 J! g0 K' a: b% l% t1 S
4 j& w$ N& p( k$ C3 q# F: Q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。

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。
4 N% _4 ~" X/ N, t. B) Q' Q
# q; [, X  i% G( f' X' ^1 x, ]% y1.限制User-Agent字段
3 y6 P% z1 F4 r! j* n+ E; _
! A9 G; v) d/ y/ p$ jUser-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。
: d, V& |6 h  X
% l/ L0 g; I6 K5 F1 H. AUser-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。

- ~. ]4 P; F. N% [) Z2.限制IP
* t% S) E7 {* [- |! b7 n) d
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。
6 W5 n7 f/ R$ j" G3 V
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。
2 F) v) E% A0 L+ z$ O
2 }3 A; M/ @* D& ^3. 添加验证码
) U- S% u& U1 ?! ~1 i
0 B" `1 @, E- R2 p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。
7 ?8 q5 I  g1 G5 c! A$ E


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