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

防止网站被爬虫抓取的方法有哪些
+ \# j! m) _" L1 y9 T- C# W9 c9 i. U
$ N4 ?+ w* F. o" R2 M4 R1 v  Z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？
) K7 \. y( Q2 V; H
, \: \$ B  ~) C8 _' Y# s一、分辨爬虫的善恶

4 W( z; ~2 Y, j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。
5 r6 a7 g( z% h6 l( v0 _
二、如何防止网站被爬虫？
* h8 C  Q1 b6 Q) Y9 h( Z& i+ P
6 l; w' f& W+ Z/ S  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。

$ N7 T) D; |- t- M$ t/ @* ^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。

- D2 K6 {1 o2 A. C8 _/ j+ h针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
$ W4 [) E/ @" T* p3 Z2 I4 g& O, [
7 j( t5 Y2 Y! ^3 j" M* D1.限制User-Agent字段

3 {1 O7 W& R" R2 j3 B, Q( _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。

) x9 H* k" M/ OUser-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。

3 k0 B* Y% G) i! a8 y2.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。

$ @2 ~- H2 b# Z7 D( W6 `3. 添加验证码
" v( u9 @5 V$ }/ [- z$ R
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+ m# G; v9 u: i" C6 y: B
. V- m( o& x, n

9 t: q$ C6 R2 Z1 l7 L; g9 @原文连接：http://www.szw86.com/thread-9831-1-1.html