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. j6 n9 S5 m9 y/ u+ v
防止网站被爬虫抓取的方法有哪些
0 n0 |  _" W0 o* u2 y
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。

. d+ S; Y& _& j+ _9 G二、如何防止网站被爬虫？

6 [( q7 U$ }" ?6 Y+ g' r/ z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。
$ [% G% `2 N* Q3 E& v1 `! \7 i' l
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。
& o. ?' T/ C# f% @
" h" A- v. V" K; h4 e+ c1.限制User-Agent字段
9 n5 J3 m( @, O# ~" \) d! ]7 g; V
4 M/ g: N3 y7 r+ CUser-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。
4 r6 S6 R1 g* W2 i3 {) C
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。
/ R$ h7 k8 e# l. V
2.限制IP
1 ?! O9 K  k% \/ j; l- `7 c  V
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。
1 l' D. Z0 f) O. E, q3 {% B2 v
3. 添加验证码
' b5 d& s& x; L5 |* o( J9 h
) P  ^) O# p2 N% x: Q9 U0 @+ t2 q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。

, L7 O$ j/ _% `+ o2 A; {, o
7 p( C, {- ]/ g+ ]' E) N
9 \) ^# t1 n( ]+ ]原文连接：http://www.szw86.com/thread-9831-1-1.html