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

防止网站被爬虫抓取的方法有哪些
# u9 m, f# w' X0 B; L3 h% {
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？

- r2 W+ o# M' W. |一、分辨爬虫的善恶
8 N/ t4 c9 ]: v; p, `0 q) n: f) _
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。

0 t8 n/ x# H" }# K  w9 d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。
" C, H, f* c( {( A
; M0 [' i! h7 T! z  _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。
/ s% R% s2 M2 P1 @4 C
7 [2 p/ {* O1 z: Z- _针对恶意爬虫，我们可以采取以下措施来识别和阻断它。
5 {7 b( k: W  n$ B  f
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。

, A( Z, D5 _6 ?6 V9 SUser-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。
$ b- X1 A, r0 v  [3 v& n$ R" u
2.限制IP
, E8 q/ k8 C# q  ]; H
# }+ e; R5 {* O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。
, J* ]4 ?9 _( |9 J) t# @
7 b* a% y1 J0 u) m5 D9 f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。

; b8 n4 o+ M9 z0 o/ i3. 添加验证码

9 T% ]  y7 }+ a9 p& q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。

; h! f- E* r2 R; {" m

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