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
8 k. _4 C1 @! I# Q% I8 b7 Y
; s+ f* O  c/ D' g) b防止网站被爬虫抓取的方法有哪些
# p5 H' D/ ~, s9 T# ^0 s
* D* T6 p' A8 g& ?4 ]8 H. [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？

' w' K3 x3 }9 j) ^7 a一、分辨爬虫的善恶

/ A; g5 A! \4 e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。
+ U/ h/ o5 ?% _  a
二、如何防止网站被爬虫？
+ a; P2 r! S  ?0 ~
& B/ c7 @: C# B6 J% r; i+ U5 F" O+ C* `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。
5 s' k! p2 |$ o& L; M* `/ {
# w# H/ Y* _) d: s1.限制User-Agent字段

/ K' v* q+ `$ h1 x, _' DUser-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。
  R  g4 A$ _0 k# r4 v6 [" q4 g
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。

. y8 `, f5 K5 u! p; e2.限制IP
$ B$ H7 z4 D+ U' V) k' ?$ x
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 S6 r/ d$ h/ g" g8 j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。
  f0 t  q* l# o2 y3 w6 ?
3. 添加验证码

. o, d! c* Q& I2 s  T; [) K3 y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。



! p4 }2 @3 b: m( P9 I原文连接：http://www.szw86.com/thread-9831-1-1.html