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
5 B. X9 D& G+ m# w  v
( g7 y$ s) H  N4 t# K' j- h防止网站被爬虫抓取的方法有哪些
; M; n2 t6 t  a0 T8 i3 K) v9 D/ o" {
0 K1 ^0 H! K+ C6 N5 @, x2 b2 N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？

# H4 O3 X% L# i9 ?4 q) T# k" n一、分辨爬虫的善恶

7 b& X* E: p; W" f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。
8 A6 N' c) ?7 C1 Q
二、如何防止网站被爬虫？
4 j: P2 u! I0 y! J2 f
. z2 k8 G1 j% \9 {! e. q; g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。

& y/ m- S0 ]- V! ?+ k$ _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。
; E$ l# w3 p" k4 d- f
) \* F  N' L# @# m, g针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

6 ?9 v8 [# u: s# w9 m1 A1.限制User-Agent字段
; I" O6 X0 S0 N* F
9 f  W; H  q( t3 W; S; Q8 X% X, V! `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。
: T. ^8 O# x5 X$ K) Q7 @. x
9 C7 ?. _; A- ^. e& s$ 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。
2 `1 k# O( n( Q* C* e- K. U% o' e
2 T: O, C6 |4 J0 O9 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。

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 r8 B2 L6 v2 ^. H: b$ F3. 添加验证码

2 l, b, |) E& V6 X9 M+ L$ U* s, N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。
* b* i9 `. Q4 \
+ [: q, m" \* b8 f9 w: p) ?

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