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

5 M! w1 I' _- t3 o3 j7 }$ L5 n防止网站被爬虫抓取的方法有哪些
0 X9 r5 @! O) G/ D1 S
0 W' n7 m$ d& h3 O5 ?# r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？
. a7 B, b# y/ b- K4 e
- L# a8 L* n8 R一、分辨爬虫的善恶
' ]9 Y4 L" l9 I5 o( G) K& X- H
3 K2 |1 J$ p9 h; N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。

0 P& Z( z: G* _9 |9 X+ p! T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。

, @0 j: x( {  A- ?4 R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。
5 X6 l: Q( V3 U$ v
* D+ O& Q% g7 t# z& k1.限制User-Agent字段
% P+ b3 f+ Y0 M
4 k" V" Q' |6 a; M( `  \! KUser-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。
7 D% G1 I' @/ ~' K9 O  b
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

; b' U, G8 J+ l+ u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 _: \$ h' t" ?( j4 S9 F
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。

+ M/ y' f# ~  z  s4 O3. 添加验证码

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。
% Z1 d" d0 A" [7 L9 }0 @' Q( z

1 {( }3 U+ U$ ^8 {  m
$ Z! E( z/ r/ m/ _  [4 y) c原文连接：http://www.szw86.com/thread-9831-1-1.html