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

: N) Q- t% W( J) _7 a+ {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？

  l% u% v) @- U- D1 }# E一、分辨爬虫的善恶
8 k: A6 l  T6 }% X3 x
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。
  J. M6 W  q& u5 F. ]' c% d9 u6 |1 a
5 U: D* G# e/ S7 w二、如何防止网站被爬虫？

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。
* f& q* S3 a2 d$ {" S8 F, A
. d  r2 y; b! a' s7 t, g! q% {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 R/ |6 U: t) F针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
+ S6 v! s) ]5 C- l( x7 w
1.限制User-Agent字段

2 U2 r2 ^" ?6 F+ T$ @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。

- l7 P: @! M5 z# T6 kUser-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
1 W$ @% z2 ?. k/ Z/ D/ G/ T  J
$ z' K; M+ E0 s; a# l* K$ r; K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。

3. 添加验证码
' f5 p" s1 Q8 I. d) D8 `6 {
0 q' b, D) I' u4 d0 B0 g3 I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。

2 z( b; Y3 h! q! O

原文连接：http://www.szw86.com/thread-9831-1-1.html