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 |% `* F( C9 g& n防止网站被爬虫抓取的方法有哪些
. |# p8 d) Q% i) e. l
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？
' W3 b& T* o2 s5 z5 J4 _
$ g/ P& Q. l, k: q& E! a" P; {# f5 [一、分辨爬虫的善恶
4 U. o, K6 h& x4 v
% f8 d8 g6 @6 A" V3 P+ j& W4 X& O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？

  ?! x4 [6 e: A( u. o/ ^- ]8 A# e: n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。

" N5 c3 F5 [# }8 u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。
" u8 U5 e  j1 z6 Q2 B" `
$ f5 u# i) g# q% j, L6 z* `& I1.限制User-Agent字段
# n1 i( G# F) b2 f7 f
8 F7 C: w& C2 N6 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。
* ^! ]. k8 h# k. h) o" x7 d
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。

2.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。
) ]3 i+ k; P  S. \6 }( H5 v
# ]1 n( u+ D& p# 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。
7 [% p$ ^6 n- v9 p
% H/ G+ G$ h2 t+ ~, [5 k7 v3. 添加验证码
5 |: w9 ]+ [2 i5 t, O
2 M% I3 R# d# K; K% _. L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。
; Z" |7 w: C4 {: m' V( o


1 ^% I( q: ^) t6 p# c原文连接：http://www.szw86.com/thread-9831-1-1.html