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

$ l% J2 B- u" k; L5 ]' Y) c/ `1 u; A防止网站被爬虫抓取的方法有哪些

2 c+ A+ `; V# `  S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？
5 y8 c+ h6 U. v! H9 P% p1 M
一、分辨爬虫的善恶
' [! l5 }9 S) N1 W
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。

# O. ?. w% v! m; U& c二、如何防止网站被爬虫？
- U3 a7 Z, ~) E  q+ O) |' j
5 R4 X/ _/ C' 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。

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。
% ~$ T; P; N( o$ W
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
7 l$ S# L8 E3 l1 t" H7 r$ h; t5 S# Y/ \
. y( {' G' i' x* k1.限制User-Agent字段

4 j3 c9 l/ t; g* l9 dUser-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。
7 @; ?: t# O5 r: K; v. Q
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。
; Q. [- k$ Z3 k5 c
2.限制IP

4 q6 H6 y2 W: ~$ \$ d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。

4 l2 N( i, y% f  }4 g, G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。
, S6 {8 x8 R2 \
3. 添加验证码

" v& t; |5 P7 C, A% {! ?  }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。
' I0 G, B. F+ |: Q% t

; k2 O; Q/ W& r% b1 w3 m
! l& e8 c* R! |7 g4 K% d原文连接：http://www.szw86.com/thread-9831-1-1.html