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

& h( b* H8 {# g" X- K防止网站被爬虫抓取的方法有哪些
) z+ ]+ L" p: {0 p& @* j! v3 {
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？
3 j/ j2 l8 m& j5 `/ \! J
7 n9 O$ c. l8 a( v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。
  P1 L* u% \7 C0 u0 e' `& E
4 {% d" A/ Q2 l二、如何防止网站被爬虫？
& k5 p  l' F( g. K; P2 }
" t! y8 Z: Y9 E; o  o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。
' Y0 K6 K+ o% s
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
( a1 K7 h* G/ Q. o! M0 ~8 `
1.限制User-Agent字段
+ a1 X- O2 ]+ h! |. H
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。

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 V. z% p9 i5 L% u/ E
2.限制IP
1 E  s; C9 y! \4 a' W/ x- T4 t, M/ a
- [8 Y9 W2 ]3 m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。
4 a! L' V- p- P2 K( }
3. 添加验证码

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。


" y; e/ o2 B/ a; _# Q& |- F! R
& @3 ?' o+ i/ d1 M原文连接：http://www.szw86.com/thread-9831-1-1.html