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
. N3 u' W% N0 d. V/ ?# F
8 n; p, @" x  _8 |9 [7 W防止网站被爬虫抓取的方法有哪些
* g! b9 P$ z5 ?3 ]# e
# Q% i1 N" O# Q8 K7 a2 g5 C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？

: D0 T5 K7 d0 }+ m一、分辨爬虫的善恶

, y5 y1 u! z3 v' s5 l, o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。
) N1 @. R+ d- d* Y9 @
2 g% d; W) x- t+ a, ]/ p2 E8 L二、如何防止网站被爬虫？

2 `' e1 ?% [& E4 Z! |% A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。

( v+ }" P$ v' ^6 `% @+ q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。

6 z: D2 s- ?& u! B; \针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

% ^. e! G' H& i4 W8 k+ [6 u1.限制User-Agent字段
8 [; \6 v1 }. {$ ?+ Q, _- r* q
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% s% j9 D% E0 h
  u( j2 G8 a- _& ~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。

( ~" Q! W; t+ q* ~3 A( ]4 j2.限制IP

9 o# A8 A, ~6 L1 X% C; W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。

  f" g4 _- S3 g3 Y: D1 R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。

& J$ ?6 m( o7 F2 g- U( g. ^2 T5 v3. 添加验证码
1 Q& I* C1 u2 W
' H0 l* j% N% {/ t' h" x& v' Q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。
0 u  ?- V* E$ V1 A& ~


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