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
  K# x/ i& n& y$ l8 I. h9 k
/ ^$ y; _9 R% b! a% t  ]+ z& K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？
: F: V4 j8 U- m
一、分辨爬虫的善恶

  f9 W( E- d3 ~0 ]' z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。
7 J# T4 t& ?; ]2 G
二、如何防止网站被爬虫？

0 s9 m1 v6 H8 s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。
/ M* v( S' ?8 Y, _5 {
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。

2 S8 `* x0 `9 ^针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

* F; ?4 m" M; W) x1.限制User-Agent字段
- J$ y6 \! h. G" ]: J: y
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。
) F3 M4 R/ g8 J3 m
; @/ i/ A: b/ pUser-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。

( i9 ?) `7 R0 b; M+ v( D1 h- d2.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。

$ `6 C3 X& f8 t: b( l3 c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。

% r9 [' U5 ^; T5 y! T4 t3. 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。


# ?, W6 ]. u9 U' v+ e
原文连接：http://www.szw86.com/thread-9831-1-1.html