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
3 g% e3 f7 Q& D  q
防止网站被爬虫抓取的方法有哪些
  V* N8 Z0 u% }4 p& L
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？
( o( x& `+ R- T7 n
一、分辨爬虫的善恶
" z( a- y( @4 a( x8 ?" {
+ g' L' \2 u4 G5 f# i/ \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。

二、如何防止网站被爬虫？
1 B. i7 U; b. f5 i
6 L! w# c5 G- K5 |# i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。

4 ]  `% B* E6 S4 T1 _; s0 S, X针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

# P* J: t) Y- d( o; {8 m1.限制User-Agent字段
' A+ v* w/ e: s. w# b& F! _: U! z
2 w5 E# S  i$ t4 p; J" yUser-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。

& |5 O5 w( Q( d/ n! pUser-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。
+ ]  v+ [% Y: k3 P/ [
2.限制IP

: q$ _- V# m: F( 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。

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。
- V2 j1 b: P& s6 W0 Q( x
; F2 v/ x/ r6 |& Q8 R8 r1 C4 q6 D3. 添加验证码

& f% e2 `. C# ?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。
1 q9 u( `4 h' S- n  D& b4 X1 H6 m


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