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
- t; r' ~0 H9 p" r3 R9 h
防止网站被爬虫抓取的方法有哪些
4 _$ {/ T' s2 I9 v! v% g9 F
6 o8 Z/ C: j; U( C4 I# 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？
! \; l# `7 q+ l2 \& I1 j8 P
一、分辨爬虫的善恶

6 |0 S- K+ R  q+ A9 ^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。

( D0 t8 n' U: ^. {二、如何防止网站被爬虫？
: P1 i) O( M% Q. n2 h* }
6 k7 R# z- d4 @- M! t. A# b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。

9 `$ n6 E, i, t- G针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
0 o2 O' u3 D5 C# u/ _  W
1.限制User-Agent字段

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。

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。
/ i! c; {; Z0 ^7 R; r4 d
2.限制IP
! j5 Q) W! `8 u! W! \2 U& _
4 n7 @' B5 u6 j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。

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。

) _5 y- u+ Y: ^5 f- D3. 添加验证码

0 W% C; F' V+ d7 ^" Y: U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。


# }& z4 |( x7 X, m+ q# `5 N1 w3 B
原文连接：http://www.szw86.com/thread-9831-1-1.html