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

+ T3 H1 B  \+ n3 g, h防止网站被爬虫抓取的方法有哪些

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？

% z4 f) P. w8 z6 [, @6 U一、分辨爬虫的善恶
2 q  I( K7 K- x* F$ |$ J
; N, g! `+ I. l8 F" P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。
/ j+ [7 s8 S3 W3 l: K, ?( P8 y) A
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。
' F7 N3 N, B7 f/ |7 `1 |5 W
1 z( W; m5 M6 u8 |( 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。
5 l/ q9 H  k# C5 m
/ A: Z% w- E2 b' Q. h针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

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。
+ U+ ^; Z7 h5 e# g3 D  F
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 h% g7 `" A) R2.限制IP

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。

- z4 E: e, g5 M/ p! n  {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。
8 Z' H2 V. g: G6 H$ H1 v
0 f' V: L9 J# n$ q! `3. 添加验证码
4 Q+ `3 K2 I  v  ^' j
) A5 G+ O3 E  f5 d. I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。
# f" H8 b$ n% Z- {: D) a( Z/ Y9 P
5 u- m  A' a% b! Z

  C& G5 M$ t9 u原文连接：http://www.szw86.com/thread-9831-1-1.html