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
: T7 t' ]8 |% T
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？

一、分辨爬虫的善恶

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。
& M* O) ^2 N2 M( e
2 `2 l( {! e4 D7 f/ z) v* A5 R$ c二、如何防止网站被爬虫？

7 [7 \6 T/ g4 Q. [) S0 T2 p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。

4 Y; b. `6 T& O6 E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。

5 g6 e8 e7 z: e针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

1.限制User-Agent字段
) P' K- v, K% U4 r
, q( f5 {# |( q: [; WUser-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。

, D; g9 W. A1 g5 p6 N; P2.限制IP
' \2 |' b$ d2 q, x' }
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。
- ]: ?$ d5 _$ O% X  [* |9 V; E9 T
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. E: C" x; H2 q% A2 r% d5 {
2 c4 k- }9 {+ a3. 添加验证码

/ \) g* F5 I, g7 S8 I) @: ], 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。

; U, ~0 U: A% w5 a4 U- \+ X( j) b

! D" u% R0 F' i) D原文连接：http://www.szw86.com/thread-9831-1-1.html