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
. f. _2 ~& R7 L( z
防止网站被爬虫抓取的方法有哪些
$ L) ]3 `2 L9 n7 k6 T
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？

一、分辨爬虫的善恶

& {1 z0 B1 V# 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。
. R) X0 D: B9 Y3 [: v" k
: p- @3 F  ~# `* X  z9 K二、如何防止网站被爬虫？
3 O6 l6 n5 n) I, l3 n& ~
9 E6 v; X* v6 n4 ]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。
0 K4 l' ~7 u8 E/ B0 {6 ]9 _" [  n8 d
针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
$ E) \( f/ Y: U( Z3 p2 v( X
4 k! A: g9 w! S5 o* s1.限制User-Agent字段
, F* F) {  E  E1 c  g
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。
9 u" p2 H- V! ?6 z  }" C7 |; w
' H; ?1 G' I8 v" P* I  U2 {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。

# R5 r3 P+ ~* H0 l7 [3 K' d2.限制IP
  l/ q5 G$ |( D9 N
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。
. }. S  M, @5 q) R- J
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。
2 l) i+ O/ V3 H$ C( ?* r
* H2 Y/ J& ^, @- t  B& d: w3. 添加验证码
; G4 p  v9 U/ I( `$ W5 Y( p3 r
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。

/ P3 [( O" x" o& k. A' T! T" v8 w

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