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
+ p. V' G0 L: X1 q  v9 r% h
' I/ B( ~% U3 V& Q5 d* e防止网站被爬虫抓取的方法有哪些
) \% J1 }0 m4 M7 X
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？
" F! `( {+ N, a2 O5 Q
一、分辨爬虫的善恶
) D- b. I$ u0 z0 G; o3 N  r; q
  c6 r9 a+ n1 j- 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。

0 W5 R2 C! B8 [5 O2 B二、如何防止网站被爬虫？
" Q( g& K5 Z; \
( w7 r( r2 _7 e1 o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。
* `! [( _/ I$ I$ |1 c% l3 N
& U* y% ^# W: {, ?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。

/ @7 H: l+ }7 f! |/ F" c( A针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
- R+ ~, X0 v% [
- m; ^4 C/ P0 s1.限制User-Agent字段
) w$ o- w6 |" Z6 A
% e3 W; i! @- ^" g6 [4 o% 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。
. Z! G/ h6 F( I: ^2 @+ ?- j$ m
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。
8 K" l! ?6 S- [! m4 o
2.限制IP

/ E. G! D3 W6 Y/ [/ Z3 |+ P6 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。
& l% d( g4 O9 U) Z
4 @2 m5 V7 t5 v% b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。
- b2 b  T+ s& A5 c: F3 }+ c! D  x
  g! W5 c% H- u" T7 X  i; q- `2 y3. 添加验证码

: u: c- ]8 G9 G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。



6 J" s6 ^6 P  _( j, Q; O原文连接：http://www.szw86.com/thread-9831-1-1.html