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
8 {1 N# a/ c2 D  ?2 |
防止网站被爬虫抓取的方法有哪些
* A. K' ]5 q% d4 Q
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？
; h2 P1 s. Q6 ~+ Q, |/ _& J  B2 B  j
9 f7 Y( k' X8 A一、分辨爬虫的善恶

2 \; ?' H/ {2 r2 D/ q4 J7 b* [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。
$ m) @4 g) e. `4 o# W) j: G
二、如何防止网站被爬虫？

+ P4 e2 p: t: `1 h6 S/ {/ }8 K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。

7 p: N9 O+ d6 w$ r5 J4 O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。
  V3 |  A* s: G3 W, F
  y8 A, i2 L" ^9 `. c# W针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
8 g: K+ I" T4 k; n/ |
1.限制User-Agent字段

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。
& |! _* S+ M, e, H
" \) ~- y6 |0 l/ w5 m, _; ]7 aUser-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。
; `- j7 }/ J# A0 e
5 L  f5 ^; Y2 Y% E  p+ s% ], q2.限制IP
# U# I8 Z. ~' C% N# H( @3 M( R3 }
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。
$ m5 ^$ H3 d5 w! U: D! r  [. n
. z& [; A; M2 t4 y8 p( Q3. 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。


6 `# U1 X- l$ {
% p- _  t4 O  d9 z1 H4 d! k! S原文连接：http://www.szw86.com/thread-9831-1-1.html