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

# ~3 U9 b. N" q% A6 `( 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？
/ y- K5 t% Q# X0 q, W
0 e1 x  x/ T! t一、分辨爬虫的善恶
1 d# [& W% d; C) M) `: 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。

' c$ \# [6 X- C+ _- Y4 r二、如何防止网站被爬虫？

# ?# j$ I$ \, w0 D( q+ D# H" C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。
1 C) c3 @* b/ U3 a7 k( ]/ G
) P& r2 _/ X* o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。

+ ]( u/ [  A. K& X1 R' {5 e& B针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
% ~9 I; }/ g! ^2 \, V
1 b+ d( R; {7 ?8 l* G" w6 i1.限制User-Agent字段

% ^( y2 R+ w! `0 i( j$ tUser-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 {  Z8 N, x& o3 g: K
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 k. A9 ]3 w; r  }2.限制IP
! `) A" G5 m/ \" C8 F
! m: e. E2 c& u8 D' h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。
  {9 w# j) ^: y8 J- B8 B1 P6 l5 B
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。

( d+ x/ a8 J( ^% t3. 添加验证码

+ K4 Z! Q8 O" I. \" l4 j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。
% r+ i. }1 X9 K' [/ y7 l
, J& Y, _$ _% @, V. h$ |

9 L* r6 O2 p. f原文连接：http://www.szw86.com/thread-9831-1-1.html