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
1 L& c9 R4 J; r2 ?( V+ d. y
防止网站被爬虫抓取的方法有哪些
, }+ z* V8 l* O# f
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？
: E/ `( r4 f( @2 y
% C9 q* c5 q' |3 B7 f, v一、分辨爬虫的善恶

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。
! ?' W- [, O; O) O
, E+ D! I; r: W" O9 @2 y二、如何防止网站被爬虫？
6 z9 D" P( E1 l
- c8 M8 M! @4 k* w" v& Y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。

1 F: Q) x* s/ n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。
& \/ c" P" k+ d8 o& x6 u/ }
& F% z: }4 b6 ^! D0 a' \9 }: E0 s" j& H针对恶意爬虫，我们可以采取以下措施来识别和阻断它。

% D; h3 J3 p/ I, R; C, |5 i( t. j1.限制User-Agent字段

8 j( i: n, i5 I% `+ iUser-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。
4 i% Q2 Y4 D4 P7 M  k
: I1 y* n! M' JUser-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。

2.限制IP
& m0 x# _* S( T! X, E% j) |
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。
+ W6 I8 }4 D# B6 J1 K- ?
4 H% Y0 \. h$ X( E" m4 s3. 添加验证码
5 G% n4 I- b1 J; N. O3 q: w1 \, I9 r
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。


! f6 |* B/ r: p1 {# b
3 `  v: I" Q1 [原文连接：http://www.szw86.com/thread-9831-1-1.html