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
6 B! ~+ U3 m# M( @8 O9 Y) z
防止网站被爬虫抓取的方法有哪些
" Z* C6 U0 Y+ M% U$ d4 ^& \# ^/ R4 \
8 y7 p% a/ G' d1 D7 V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？
+ t- a5 w7 ]* ]: T) C* Q" j# B
, n: U. o7 ^; l# N1 w一、分辨爬虫的善恶
$ ^" m. b, V" [6 @# i  |
# `$ I/ v( r0 n- P, F0 k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。

二、如何防止网站被爬虫？

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。
" @  O' r/ h; L) [# }1 z9 o0 W& g
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。
2 V( b) h% P" o" M: T1 o
: {, T1 A/ L; N7 u) E8 V% `$ Z; G4 S1.限制User-Agent字段
5 I" P- s7 [8 M0 b- U/ @" F1 b1 x" N
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/ P, @6 T$ m, u  CUser-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。
; S3 l" f. Y0 m8 j8 A7 t2 Y- Z
$ b# y( a* P- H7 C# Z; 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。

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。

$ p+ Z4 l+ [" S6 t/ D1 J3. 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。


& L/ Z9 C' ~8 u% q! V: X2 q, ?
原文连接：http://www.szw86.com/thread-9831-1-1.html