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
" Z% {: z9 d6 J- C7 _
防止网站被爬虫抓取的方法有哪些

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

: w$ c+ @2 G  n; g' V7 h, 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。
/ S/ Z: w5 _5 [8 K& O) `1 L3 v
二、如何防止网站被爬虫？
0 r) i( r& x! B, @) p) |9 ~
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。
+ @! s2 c+ _" \2 r
6 T7 i% t- P: F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。

7 }* j& O' }! U3 B9 o1 ?针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

/ M# m! R& E' `- E! A: l1.限制User-Agent字段

6 v' Q0 O: J% ?2 b+ FUser-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。
1 L4 O7 U4 ]$ E3 F2 W% D* a4 t
) s- e4 _" `0 \/ [! j( ~$ `5 FUser-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。

0 U+ j3 l% A8 ~4 ^4 ]2.限制IP
+ j0 E7 K6 @0 l7 K
6 i, R, c; O  \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。

) f0 y- R5 B5 E3 B' D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。
: n/ D' m) s4 X% J7 |
8 N  A' s1 w) [3. 添加验证码
0 `; k' c1 s  C# f4 R0 d2 m
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。


& ~6 ?# I5 S* y9 i3 [
* S, }+ ?2 l" j0 I原文连接：http://www.szw86.com/thread-9831-1-1.html