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
% {; E' l( p& H* P1 |2 x, G
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？

/ S# x5 k! m8 F; R一、分辨爬虫的善恶
, h0 ]* a* V! M7 Y- u
' i  N) i# ]5 V( N3 J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。

0 l/ p3 I. a5 U  W3 W+ n二、如何防止网站被爬虫？

- j1 H6 Z7 i5 q; \4 M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。
# U" g0 b( M' j# ^! a6 e2 }# f
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。
. a1 D  ^5 a; [6 i/ q2 _5 K( f
* [- r& [( X8 M/ P针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
# R5 U( T2 @! ]- w
1.限制User-Agent字段
( v/ ]: C3 ]3 i
( }! K/ @0 B/ q3 G- E& F  VUser-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。

% t, n: s. J8 B: G  z7 Q( X) E- P& Y/ TUser-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- X4 R) {8 U5 N2 ?
1 z! I# X$ |! m( H6 P2.限制IP
( v5 D9 i% K+ a/ d
+ n# E# Z( |. L. D& g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。
* j& r" T3 D$ h# X
" ]& ^7 b0 s$ T/ l$ ]3. 添加验证码

! U4 \# i: O* |) 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。



0 ?) v' B, W9 U$ N4 \8 I( `2 k. r: S原文连接：http://www.szw86.com/thread-9831-1-1.html