|
防止网站被爬虫抓取的方法有哪些* y, Y7 _5 \$ E1 [% b1 \4 k z- {% `
. \( D- J. {7 a3 `# s5 a( t防止网站被爬虫抓取的方法有哪些
) b; Q C( N9 v# x$ N/ Q# D) Y
# F( e$ ^) \1 R4 S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?, \+ j" X# [% P, J
9 {5 ?+ k0 o- r. o# |一、分辨爬虫的善恶
+ |1 ^& V5 c" b3 E' N" e" |$ P' ~) o# F0 c
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。" K6 s7 _( h3 U, R& I! q
, C+ d% d% f, i5 U# A
二、如何防止网站被爬虫?4 |- C1 v, F! e/ q# E
/ L8 _% x& B8 H) X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。
9 ^1 y5 M8 }0 j: U
/ I( x- k Q5 q& T: g8 _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。
9 g# m5 _% T# e$ d0 F7 x# s0 `. S* X7 ?
针对恶意爬虫,我们可以采取以下措施来识别和阻断它。
3 u4 U! X4 b+ \6 B% x1 [
% c- D" a- ^0 r, O6 l& V, k1.限制User-Agent字段
7 P$ w) k6 ~) k8 o8 G. J# }
' V* T4 W6 H0 d9 RUser-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 V! ?3 O$ v9 h/ \% Q' w4 I% s9 e
6 n3 }2 E8 d& [8 gUser-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。0 [) G( L) @# A$ n( B
4 l* | z* C J: u: O# m2.限制IP
6 [% f. l0 G9 `& Y, J; _" N i& I7 [' ^# O) d; ^ _9 x- `
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。, Y0 `, m# n: J# }
$ U& y2 w8 C# t k
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。
+ c9 S) {1 x( }! H% `
5 b4 F8 d' f$ r2 D( i& c3. 添加验证码
: q2 F& ]0 f- l9 {8 w
6 ^' }; L. k3 f% I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。& K! z& B* p) [3 o5 j
( D/ ]& J2 E# b- g# E2 a& {# ]! m; ]- s3 M( t3 P# H
( X5 n N6 G2 n1 I原文连接:http://www.szw86.com/thread-9831-1-1.html |
|