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; d% _# q6 g+ Q# r$ e8 Y" r
防止网站被爬虫抓取的方法有哪些
3 Q. b+ {% K' e2 P. |
- [* Q5 \* S3 }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？
. U% i  M+ B! C. X" k
一、分辨爬虫的善恶
9 S1 G6 I! T% w# X5 n+ ^
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。
9 O- H2 T! `7 g! `( b! }
* b3 L, y1 C  [* n二、如何防止网站被爬虫？

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。

针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

3 }" k! s/ Y& ]0 U- \; u4 A+ @2 M1.限制User-Agent字段

' c9 [9 d1 _/ k& PUser-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。
7 f; J1 t" w3 i6 ?. p- g7 I0 e
: r7 D* i- M0 b' @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。
$ ^5 T$ \0 c) a- M6 j. g4 u, n
2.限制IP
0 |. O+ {+ h6 N/ y$ a( Z
% \5 @$ P" i1 w. b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。
4 a" [; _  y* i; e' w' w- q9 }
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。

5 S+ ~9 t. ?3 r- ?8 l1 ]3. 添加验证码
5 c, ^7 l1 q' E7 O) L
( S3 P9 p( k. s! }9 q8 O1 b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。
( T6 T$ w, u5 Q# h  j& ?" b8 h9 Z

$ ]; M! G2 S+ G# {3 Y# k
: R! g' p4 `% J+ J/ E+ y3 h$ k# E: g, p原文连接：http://www.szw86.com/thread-9831-1-1.html