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
- v- X: g# d' g( T8 w! K8 u
防止网站被爬虫抓取的方法有哪些

* S# ]6 J8 Y( D+ y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？
* r3 V$ G8 V; G8 P2 N2 @" y+ d. Y
6 ]/ v* u! f% x) _9 T' i6 M一、分辨爬虫的善恶
; [% _/ Q8 e! X6 A: Y
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。
1 j' z8 y: l! w+ c
二、如何防止网站被爬虫？
) [& c# D  e% n; q9 Y+ G% f
7 h# H4 C6 r# m( e/ W' e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。
: V2 P* [/ c3 @1 W" O! Z- r% T
% q$ B& O( P- D' Y: x1.限制User-Agent字段
' u4 i( o( y$ d' B8 f# o1 l
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。
! p$ z) p$ ?; T- u# {! N3 r
! D0 G2 G! n- e* @) i, _& gUser-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。
. y: I' L8 U/ W. }
2.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。

2 }( M' j# q2 |9 g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。

3. 添加验证码
0 @9 }5 ?. p) T; d  J
* X. ]& m, I# A% t/ u9 N: C! O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。



, n% `4 a$ {8 w" F' D5 k原文连接：http://www.szw86.com/thread-9831-1-1.html